Conditional choice probability estimation with an imperfectly measured latent state
潜在状态测量不完善时的条件选择概率估计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：摘要明确研究动态离散选择的结构识别与条件选择概率估计，并使用非平衡面板代理测量。
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
潜在状态测量不完善时的条件选择概率估计
- 研究问题
- 动态离散选择模型中，如何利用潜在离散状态的噪声代理测量改善识别，并估计比标准马尔可夫链更灵活的状态动态？
- 方法与思路
- 作者研究代理测量及其调查设计对识别的作用，扩展条件选择概率估计量，汇集非平衡面板中的噪声代理信息。
- 材料陈述的贡献
- 摘要称代理变量改善识别并允许更灵活的潜在状态动态；劳动供给与心理健康应用显示了比标准马尔可夫链更复杂的动态。
- 阅读关注点
- 应核对代理变量的测量限制、调查设计与识别条件的联系，以及非平衡面板信息如何进入估计和支持非马尔可夫动态。
- 阅读边界
- 解读限于所给 Crossref 摘要；摘要未说明代理误差假设、具体动态形式或应用数值，不能认定任意噪声代理均能改善识别。
原文摘要
Traditional dynamic discrete choice model—Conditional Choice Probability estimator (DDCM‐CCP) literature considered identification using the likelihood of longitudinal choice only. However, such an approach has a limitation in identifying flexible dynamics for latent state due to the discrete and typically small‐dimensional nature of choice. This paper extends this literature to utilize imperfect measurements, called proxies, for a latent discrete state. I first show that proxies improve identification and discuss how survey design on proxies affects identification conditions. I then extend the estimator from Arcidiacono and Miller (2011) to pool information from an unbalanced panel of noisy proxies, enabling estimation of more flexible latent state dynamics than Markov chains. As an application, I estimate a dynamic model of labor supply and mental health, where dynamic mental health only imperfectly observed—plays a central role. The results reveal more complex dynamics than a standard Markov chain.