Type 2 Tobit Sample Selection Models with Bayesian Additive Regression Trees
结合贝叶斯加性回归树的第二类Tobit样本选择模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要将样本选择修正与个体处理效应估计直接联系，支持归入因果推断方向。
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…
关注这篇论文的作者
结合贝叶斯加性回归树的第二类Tobit样本选择模型
- 研究问题
- 当样本选择使个体处理效应估计产生偏差，且选择和结果关系存在非线性时，如何放宽传统第二类Tobit模型的函数与误差假设？
- 方法与思路
- 作者在选择和结果方程中加入树的加总，用Dirichlet过程混合放宽二元正态误差，并以软树及分裂概率先验刻画平滑和稀疏结构。
- 材料陈述的贡献
- 摘要提出TOBART-2，将样本选择模型与贝叶斯树结合以考虑非线性和模型不确定性，并提供模拟及RAND健康保险实验应用。
- 阅读关注点
- 应核对样本选择的识别来源、两方程误差依赖的建模、树与混合先验的敏感性，以及模拟和应用如何评价选择偏差与处理效应。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明排除变量、其他识别条件或模拟结果，灵活拟合本身不能保证消除选择偏差。
原文摘要
This paper introduces Type 2 Tobit Bayesian Additive Regression Trees (TOBART-2). BART can produce accurate individual-specific treatment effect estimates. However, in practice estimates are often biased by sample selection. We extend the Type 2 Tobit sample selection model to account for nonlinearities and model uncertainty by including sums of trees in both the selection and outcome equations. A Dirichlet Process Mixture distribution for the error terms allows for departure from the assumption of bivariate normally distributed errors. Soft trees and a Dirichlet prior on splitting probabilities improve modeling of smooth and sparse data generating processes. We include a simulation study and an application to the RAND Health Insurance Experiment dataset.