Identification and Estimation of Categorical Random Coefficient Models
类别型随机系数模型的识别与估计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。
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：摘要研究参数化随机系数模型的识别估计，并分析教育回报分布，支持结构估计和分布方向；类别分布不等于离散选择。
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
类别型随机系数模型的识别与估计
- 研究问题
- 当线性模型的随机系数服从参数化类别分布时，如何识别并估计其分布参数，以及这些参数能否刻画教育回报的群体异质性？
- 方法与思路
- 作者利用随机系数矩的线性递推结构识别类别分布参数，提出广义矩估计，通过模拟评估精度，并估计美国教育回报分布。
- 材料陈述的贡献
- 摘要称，随机系数的矩可较准确估计，但底层类别分布参数需要大样本；应用报告了不同教育组之间及组内教育回报异质性的变化。
- 阅读关注点
- 核对类别数、矩递推关系和分布参数识别条件，比较矩与分布参数的估计难度，并检查教育回报分布估计的模型设定与解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未核实；摘要未提供类别数选择、具体识别假设或样本规模要求，教育回报的因果含义也未说明。
原文摘要
This paper proposes a linear categorical random coefficient model, in which the random coefficients follow parametric categorical distributions. The distributional parameters are identified based on a linear recurrence structure of moments of the random coefficients. A Generalized Method of Moments estimation procedure is proposed also employed by Peter Schmidt and his coauthors to address heterogeneity in time effects in panel data models. Using Monte Carlo simulations, we find that moments of the random coefficients can be estimated reasonably accurately, but large samples are required for estimation of the parameters of the underlying categorical distribution. The utility of the proposed estimator is illustrated by estimating the distribution of returns to education in the U.S. by gender and educational levels. We find that rising heterogeneity between educational groups is mainly due to the increasing returns to education for those with postsecondary education, whereas within group heterogeneity has been rising mostly in the case of individuals with high school or less education.