On a log-symmetric quantile tobit model applied to female labor supply data
用于女性劳动供给数据的对数对称分位数 Tobit 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：摘要明确提出分位数 Tobit 回归，研究删失数据不同分位数上的协变量关系。
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…
用于女性劳动供给数据的对数对称分位数 Tobit 模型
- 研究问题
- 对于具有正偏和异方差的删失劳动供给数据，如何突破经典正态 Tobit 的分布限制，并考察不同分位数上的协变量关系？
- 方法与思路
- 作者基于分位数参数化的对数对称分布构建分位数 Tobit 模型，采用最大似然估计，并开展蒙特卡洛研究和数据应用。
- 材料陈述的贡献
- 摘要称模型能够容纳正偏与异方差，分析关注分位数上的协变量影响；两组女性劳动供给数据中拟合优于经典 Tobit。
- 阅读关注点
- 应核对删失机制、分位数针对潜在还是观测结局、异方差参数化，以及拟合优劣指标和不同分布设定的稳健性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明识别条件和具体拟合差异，回归关系不能直接视为因果效应。
原文摘要
The classic censored regression model (tobit model) has been widely used in the economic literature. This model assumes normality for the error distribution and is not recommended for cases where positive skewness is present. Moreover, in regression analysis, it is well-known that a quantile regression approach allows us to study the influences of the explanatory variables on the dependent variable considering different quantiles. Therefore, we propose in this paper a quantile tobit regression model based on quantile-based log-symmetric distributions. The proposed methodology allows us to model data with positive skewness (which is not suitable for the classic tobit model), and to study the influence of the quantiles of interest, in addition to accommodating heteroscedasticity. The model parameters are estimated using the maximum likelihood method and an elaborate Monte Carlo study is performed to evaluate the performance of the estimates. Finally, the proposed methodology is illustrated using two female labor supply data sets. The results show that the proposed log-symmetric quantile tobit model has a better fit than the classic tobit model.