Kernel Estimation of Average Derivatives and Differences
平均导数与平均差分的核估计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：摘要研究一般非参数导数与差分估计，劳动收入应用未说明因果识别、分布效应或结构估计。
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
平均导数与平均差分的核估计
- 研究问题
- 当解释变量有界或离散时，如何使用核方法估计平均导数与平均差分，并在不依赖高阶核的情况下获得一致性和渐近正态性？
- 方法与思路
- 作者构造新的非参数平均差分估计量，研究其大样本性质及差分增量趋于零时与平均导数估计量的联系，并用模拟和CPS数据展示。
- 材料陈述的贡献
- 摘要称，该估计量一致且具有根N渐近正态性，增量趋零时收敛至平均导数估计量；各职业子样本中工时对应的劳动收入导数估计合理。
- 阅读关注点
- 核对有界与离散解释变量的处理、带宽和差分增量的选择及联合极限条件，并检查重复横截面CPS数据中劳动收入函数导数的解释。
- 阅读边界
- 摘要未说明平滑条件、边界处理和调参规则；劳动收入导数的合理性属于作者评价，工时与收入的关系也不能据此作因果解释。
原文摘要
In this article we consider the problem of estimating average derivatives and differences using kernel estimators. Our analysis focuses on developing new methods that are appropriate in the context of bounded and discrete regressors and do not require higher-order kernels for consistency or asymptotic normality. We derive a new nonparametric estimator that we call the average difference estimator. We show that this estimator is consistent and root-N asymptotically normally distributed. Furthermore, the average difference estimator converges to the well-known average derivative estimator as the increment used to compute the difference converges to 0. To illustrate the properties of our estimator, we provide some evidence from a Monte Carlo experiment. We also consider an application that focuses on estimating derivatives of earning functions using repeated cross-sectional data from the Current Population Survey (CPS) for a number of narrowly defined occupations. We find that the average difference estimator yields plausible estimates for the average derivative of the earnings functions with respect to hours worked in all subsamples of the CPS considered in this article.