Nonparametric identification and estimation of sample selection models under symmetry
对称性限制下样本选择模型的非参数识别与估计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：摘要明确将平均处理效应和结构回归函数作为识别与估计对象，分别对应因果推断与结构估计。
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
对称性限制下样本选择模型的非参数识别与估计
- 研究问题
- 如何通过比条件均值限制更强的对称性限制，消除不可观测因素导致的选择偏差，进而识别平均处理效应和结构回归函数？
- 方法与思路
- 作者将已有条件均值限制加强为对称性限制，通过适当匹配倾向得分消除选择偏差，并据此构造目标参数的一致估计量。
- 材料陈述的贡献
- 摘要称该限制使平均处理效应与结构回归函数能够识别并一致估计，突破所述既有方法仅能识别回归函数至常数的边界。
- 阅读关注点
- 应核对对称性针对的条件分布、倾向得分匹配规则与支持条件，并检查平均处理效应的目标总体及其识别推导。
- 阅读边界
- 仅依据所给出版社摘要，不能判断对称性限制的经验可信度或匹配可行性；模拟表现仅为作者陈述，具体设计与数值未说明。
原文摘要
Under a conditional mean restriction Das et al. (2003) considered nonparametric estimation of sample selection models. However, their method can only identify the outcome regression function up to a constant. In this paper we strengthen the conditional mean restriction to a symmetry restriction under which selection biases due to selection on unobservables can be eliminated through proper matching of propensity scores; consequently we are able to identify and obtain consistent estimators for the average treatment effects and the structural regression functions. The results from a simulation study suggest that our estimators perform satisfactorily.