Testing selection on observables in parametric models with refreshment samples
利用补充样本检验参数模型中的可观测变量选择假设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：摘要明确研究面板中的流失、非回应和补充样本，并检验面板样本选择假设，直接对应面板数据方向。
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
利用补充样本检验参数模型中的可观测变量选择假设
- 研究问题
- 面板因流失或不回应产生样本选择时，补充样本如何使通常直接假定的随机缺失条件成为可检验的命题？
- 方法与思路
- 作者比较MAR下有效的逆概率加权分布与较弱加性非可忽略假设下的替代加权分布，以二者距离构造检验。
- 材料陈述的贡献
- 摘要称参数分布情形下，检验统计量在MAR原假设下趋于广义卡方分布，并提供极限分布计算、模拟和UAS应用。
- 阅读关注点
- 应核对补充样本的抽样要求、加性非可忽略假设与参数规格，以及分布距离、极限权重估计和检验功效的表现。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未列具体参数与抽样条件，检验结论不能脱离替代识别框架解释。
原文摘要
In panels with sample selection (that may occur due to attrition, nonresponse, etc.), the assumption of selection on observables (missing at random, MAR) is commonly imposed despite often being implausible. However, this assumption becomes testable when a refreshment sample is available. We develop a statistical test of MAR based on a distance between two estimated distributions: one obtained using the standard inverse probability weighting (IPW) that is valid under MAR and the other obtained using an alternative weighting that is valid under a weaker assumption of additive nonignorability of Hirano et al. (2001). This test implicitly compares the distribution of the IPW-weighted sample in the attrition period with the distribution of the refreshment sample, which coincide if the MAR assumption holds. We establish that, when the input distributions are parametric, our test statistic converges to the generalized chi-squared distribution under the null of MAR. This limit distribution can be estimated using the recursive formulas derived by Franguridi et al. (2026). We illustrate the performance of our test in Monte Carlo simulations. Finally, we apply our test to an empirical example using a subsample of the Understanding America Study (UAS) dataset.