Estimating Program Participation with Partial Validation
利用部分验证信息估计项目参与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：摘要直接研究存在误分类的二元选择模型，并以医保参与决定因素作应用。
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
利用部分验证信息估计项目参与
- 研究问题
- 调查中的二元参与回答存在误分类，但只能验证其中一类回答时，如何利用部分验证信息纠正二元选择模型估计？
- 方法与思路
- 作者将部分验证后的双侧误分类转为单侧问题，推导直接使用更新回答的渐近偏差，并构造一致且渐近正态的估计量。
- 材料陈述的贡献
- 摘要称部分验证可支持误分类校正，且直接更新回答并不能解决偏差；模拟与加纳医保参与应用展示了方法及问卷设计意义。
- 阅读关注点
- 核对单侧误分类转化的条件、验证信息如何识别参与模型，以及误分类概率限制、标准误计算和问卷追问设计要求。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未说明验证准确性及误分类机制的具体条件，也未给出实证数值。
原文摘要
This paper considers the estimation of binary choice models when survey responses are possibly misclassified but one of the response category can be validated. Partial validation may occur when survey questions about participation include follow-up questions on that particular response category. In this case, we show that the initial two-sided misclassification problem can be transformed into a one-sided one, based on the partially validated responses. Using the updated responses naively for estimation does not solve or mitigate the misclassification bias, and we derive the ensuing asymptotic bias under general conditions. We then show how the partially validated responses can be used to construct a model for participation and propose consistent and asymptotically normal estimators that overcome misclassification error. Monte Carlo simulations are provided to demonstrate the finite sample performance of the proposed and selected existing methods. We provide an empirical illustration on the determinants of health insurance coverage in Ghana. We discuss implications for the design of survey questionnaires that allow researchers to overcome misclassification biases without recourse to relatively costly and often imperfect validation data.