Partial identification in nonseparable count data instrumental variable models
非可分计数数据工具变量模型的部分识别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：摘要明确以非可分计数模型识别结构特征，并刻画锐界及提出估计推断算法，对应结构估计。
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…
关注这篇论文的作者
非可分计数数据工具变量模型的部分识别
- 研究问题
- 如何在计数数据工具变量模型中放松不可观测异质性的强可分性和三角系统要求，同时识别具有经济含义的结构特征？
- 方法与思路
- 作者提出部分识别的单方程模型，用条件矩不等式刻画结构特征的锐界，并给出估计推断算法及补充保险影响医疗利用的应用。
- 材料陈述的贡献
- 摘要称，该模型无需强可分性或三角系统；数值例子显示，结果支持集丰富或工具变量较强时，识别集可能很小。
- 阅读关注点
- 应核对保留了哪些结构及工具变量限制、条件矩不等式为何给出锐界，以及算法如何处理识别集估计与覆盖误差。
- 阅读边界
- 摘要未列出完整模型限制、算法步骤及应用结果；数值例子中的小识别集不构成所有丰富支持集或强工具变量情形的保证。
原文摘要
Summary This paper investigates undesirable limitations of widely used count data instrumental variable models. To overcome the limitations, I propose a partially identifying single-equation model that requires neither strong separability of unobserved heterogeneity nor a triangular system. Sharp bounds (identified sets) of structural features are characterised by conditional moment inequalities. Numerical examples show that the size of an identified set can be very small when the support of an outcome is rich or instruments are strong. An algorithm for estimation and inference is presented. I illustrate the usefulness of the proposed model in an empirical application to effects of supplemental insurance on healthcare utilisation.