NONPARAMETRIC IDENTIFICATION AND ESTIMATION OF TRUNCATED REGRESSION MODELS WITH HETEROSKEDASTICITY
异方差截断回归模型的非参数识别与估计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：摘要聚焦截断回归与异方差的一般识别估计，未明确涉及所列领域中的特定方向。
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…
异方差截断回归模型的非参数识别与估计
- 研究问题
- 在存在未知条件异方差的截断回归中，能否同时非参数识别回归函数和异方差函数，并避免忽略异方差造成的不一致？
- 方法与思路
- 作者在位置尺度设定下给出构造性识别结果，据此提出回归函数与异方差函数的核估计量，并研究其渐近正态性质。
- 材料陈述的贡献
- 摘要称两个函数均可识别，估计量渐近正态；模拟中，新回归函数估计量在异方差存在时比所比较方法具有更小偏差。
- 阅读关注点
- 应核对截断机制、位置尺度结构和识别所需限制，并检查核估计的带宽要求、渐近方差以及偏差比较采用的模拟设计。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体识别条件、截断范围和偏差数值未说明，模拟中的偏差改善不能解释为普遍优势。
原文摘要
We consider nonparametric identification and estimation of truncated regression models with unknown conditional heteroskedasticity. The existing methods (e.g., Chen (2010, Review of Economic Studies 77, 127–153)) that ignore heteroskedasticity often result in inconsistent estimators of regression functions. In this paper, we show that both the regression and heteroskedasticity functions are identified in a location-scale setting. Based on our constructive identification results, we propose kernel-based estimators of regression and heteroskedasticity functions and show that the estimators are asymptotically normally distributed. Our simulations demonstrate that our new method performs well in finite samples. In particular, we confirm that in the presence of heteroskedasticity, our new estimator of the regression function has a much smaller bias than Chen’s (2010, Review of Economic Studies 77, 127–153) estimator.