Dealing with Logs and Zeros in Regression Models
回归模型中的对数与零值问题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：摘要明确以归一化平均处理效应为目标，并讨论内生解释变量的工具变量估计。
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…
回归模型中的对数与零值问题
- 研究问题
- 如何处理含零结果变量的对数回归，并在指数条件均值模型中保留百分比效应解释，同时允许解释变量内生且避免相关估计偏差？
- 方法与思路
- 作者提出迭代最小二乘 iOLS，目标为归一化平均处理效应，并以迭代两阶段最小二乘扩展至内生解释变量，结合模拟和三项既有研究展示。
- 材料陈述的贡献
- 摘要称 iOLS 为 log(1+Y) 提供具有理论依据的替代方案，并具有一致性、渐近正态性、全局收敛及无附带参数偏差等性质。
- 阅读关注点
- 核对归一化处理效应的定义、零值对应的识别问题及模型假设；检查全局收敛、附带参数偏差结论和工具变量扩展各自的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出理论性质的具体条件，也未说明对不同零值生成机制是否具有同样解释。
原文摘要
The log transformation is widely used in linear regression, mainly because coefficients are interpretable as proportional effects. Yet this practice has fundamental limitations, most notably that the log is undefined at zero, creating an identification problem. We propose a new estimator, iterated OLS (iOLS), which targets the normalized average treatment effect, preserving the percentage-change interpretation while addressing these limitations. Our procedure is the theoretically justified analogue of the ad-hoc log(1+Y) transformation and delivers a consistent and asymptotically normal estimator of the parameters of the exponential conditional mean model. iOLS is computationally efficient, globally convergent, and free of the incidental-parameter bias, while extending naturally to endogenous regressors through iterated 2SLS. We illustrate the methods with simulations and revisit three influential publications.