Heckman Selection Contaminated Normal Model
采用污染正态分布的 Heckman 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：摘要在 Heckman 样本选择模型内设定联合误差分布，并讨论可识别性及参数估计。
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…
采用污染正态分布的 Heckman 选择模型
- 研究问题
- 当样本选择模型的误差存在厚尾或异常观测、偏离双变量正态设定时，如何构造更灵活的分布模型并估计其参数？
- 方法与思路
- 作者将 Heckman 模型误差替换为双变量污染正态分布，利用截断多元正态公式建立具有闭式 E 步的 ECM 算法。
- 材料陈述的贡献
- 摘要称讨论模型可识别性，比较正态与 Student t 模型的有限样本表现，并通过两项真实数据分析展示用途和软件实现。
- 阅读关注点
- 应核对选择方程与结果方程设定、污染成分的解释、参数可识别性，以及 ECM 收敛、初始化和不同缺失率的比较。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未提供识别条件、误差比较数值或软件验证，灵活误差分布不保证选择偏差消除。
原文摘要
The Heckman selection model is one of the most well-renounced econometric models in the analysis of data with sample selection. This model is designed to rectify sample selection biases based on the assumption of bivariate normal error terms. However, real data diverge from this assumption in the presence of heavy tails and/or atypical observations. Recently, this assumption has been relaxed via a more flexible Student's t-distribution, which has appealing statistical properties. This paper introduces a novel Heckman selection model using a bivariate contaminated normal distribution for the error terms. We present an efficient ECM algorithm for parameter estimation with closed-form expressions at the E-step based on truncated multinormal distribution formulas. The identifiability of the proposed model is also discussed, and its properties have been examined. Through simulation studies, we compare our proposed model with the normal and Student's t counterparts and investigate the finite-sample properties and the variation in missing rate. Results obtained from two real data analyses showcase the usefulness and effectiveness of our model. The proposed algorithms are implemented in the R package HeckmanEM.