Simultaneously Incomplete and Incoherent (SII) Dynamic LDV Models: With an Application to Financing Constraints and Firms’ Decision to Innovate
同时不完备与不相容的动态有限因变量模型：融资约束与企业创新AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以具有状态依赖的面板双变量 Probit 为框架，并通过联立模型及补全假设识别参数，涉及选择、面板与结构估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
同时不完备与不相容的动态有限因变量模型：融资约束与企业创新
- 研究问题
- 静态与动态有限因变量模型何时出现无解或多解，两类问题能否并存，以及如何估计融资约束与创新的联立动态关系？
- 方法与思路
- 作者刻画空区域和重叠区域问题，对非递归联立动态模型采用条件极大似然，并以参数符号限制等先验条件补全数据过程。
- 材料陈述的贡献
- 摘要称，不完备与不相容可以并存，并提出相应估计策略；应用报告融资约束抑制创新、创新提高约束概率及明显状态依赖。
- 阅读关注点
- 应核对相容性与完备性的精确定义、补全模型的假设，以及符号限制、状态依赖和面板结构如何支撑识别与估计。
- 阅读边界
- 仅据所给 OpenAlex 摘要，补全假设、样本与估计细节未说明；应用结论的因果解释及对先验限制的敏感性仍需全文核查。
原文摘要
We develop novel methods for establishing coherency and completeness conditions in Static and Dynamic Limited Dependent Variables (LDV) Models. We characterize the two distinct problems as “empty-region” incoherency and “overlap-region” incoherency or incompleteness and show that the two properties can co-exist. We focus on the class of models that can be Simultaneously Incomplete and Incoherent (SII). We propose estimation strategies based on Conditional Maximum Likelihood Estimation (CMLE) for simultaneous dynamic LDV models without imposing recursivity. Point identification is achieved through sign-restrictions on parameters or other prior assumptions that complete the underlying data process. Using as modelling framework the Panel Bivariate Probit model with State Dependence, we analyse the impact of financing constraints on innovation: ceteris paribus, a firm facing binding finance constraints is substantially less likely to undertake innovation, while the probability that a firm encounters a binding finance constraint more than doubles if the firm is innovative. In addition, a strong role for state dependence in dynamic versions of our models is established.