Structural measurement errors in nonseparable models
非可分模型中的结构性测量误差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：摘要明确以非可分结构模型研究测量误差与边际效应识别。
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
非可分模型中的结构性测量误差
- 研究问题
- 受访者对过去事件和数量的有限回忆，会怎样改变测量误差性质，并影响非可分结构模型中边际效应的识别？
- 方法与思路
- 作者采用完全非参数的非可分模型分析回忆误差，提出检测信息缩减的非参数统计量及识别界，并以食品消费数据说明。
- 材料陈述的贡献
- 摘要称有限回忆通常产生非经典且差异性的测量误差，信息缩减是严重程度的关键，并提出检验及识别界应对该问题。
- 阅读关注点
- 应核对回忆过程与信息缩减的形式化定义、检验统计量的适用条件，以及边际效应识别界依赖哪些可观测信息。
- 阅读边界
- 出版社摘要未说明非参数识别所需的具体条件、界的宽度或检验性能；食品消费示例不能单独证明结论普遍适用。
原文摘要
This paper considers measurement error from a new perspective. In surveys, response errors are often caused by the fact that respondents recall past events and quantities imperfectly. We explore the consequences of limited recall for the identification of marginal effects. Our identification approach is entirely nonparametric, using Matzkin-type nonseparable models that nest a large class of potential structural models. We show that measurement error due to limited recall will generally exhibit nonstandard behavior, in particular be nonclassical and differential, even for left-hand side variables in linear models. We establish that information reduction by individuals is the critical issue for the severity of recall measurement error. In order to detect information reduction, we propose a nonparametric test statistic. Finally, we propose bounds to address identification problems resulting from recall errors. We illustrate our theoretical findings using real-world data on food consumption.