Heteroscedastic Transformation Models With Covariate Dependent Censoring
协变量依赖删失下的异方差变换模型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：摘要聚焦异方差变换模型及删失推断，出口持续期示例不足以将通用方法明确归入所列细分领域。
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
协变量依赖删失下的异方差变换模型
- 研究问题
- 当变换模型的误差具有条件异方差，且删失形式依赖协变量时，如何识别模型并获得具有明确渐近性质的估计与推断？
- 方法与思路
- 作者提出允许条件异方差的变换模型推断程序，给出点识别的充分条件并构造估计量，再通过模拟和出口持续期应用进行展示。
- 材料陈述的贡献
- 摘要称，方法对任意形式的协变量依赖删失稳健，并在给定条件下实现 √n 一致性与渐近正态性；出口持续期应用显示相对既有方法的优势。
- 阅读关注点
- 应核对点识别的充分条件、删失与潜在持续期之间所需的关系，以及异方差处理方式、标准误构造和模拟所用比较基准。
- 阅读边界
- 摘要未列出识别及渐近理论的具体条件，也未给出模拟数值；任意删失形式的稳健性与实证优势应按全文条件和比较范围理解。
原文摘要
In this article we propose an inferential procedure for transformation models with conditional heteroscedasticity in the error terms. The proposed method is robust to covariate dependent censoring of arbitrary form. We provide sufficient conditions for point identification. We then propose an estimator and show that it is √n-consistent and asymptotically normal. We conduct a simulation study that reveals adequate finite sample performance. We also use the estimator in an empirical illustration of export duration, where we find advantages of the proposed method over existing ones.