Interval censored regression with fixed effects
具有固定效应的区间删失回归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：摘要以多期区间观测构建固定效应模型，并讨论个体间异方差与个体内误差依赖，直接对应面板数据计量方法。
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
具有固定效应的区间删失回归
- 研究问题
- 因变量每期只以已知端点的区间出现时，如何识别并估计固定效应模型的系数及其尺度，同时容许异方差和个体内误差依赖？
- 方法与思路
- 作者分别研究逻辑斯蒂误差模型与误差分布未指定的半参数模型，提出类似条件逻辑回归的复合似然估计及复合最大得分估计。
- 材料陈述的贡献
- 摘要称在相应条件下通常可识别系数尺度；允许个体间异方差但要求个体内误差平稳，半参数版本还允许误差序列相关。
- 阅读关注点
- 核对区间端点的观测机制、个体内平稳性及尺度识别条件，查看两种复合目标函数如何处理固定效应，以及参数方法的模拟设计。
- 阅读边界
- 摘要未说明完整识别与因果解释条件；模拟和出生体重应用展示的是参数估计量，不能据此评价半参数估计量的实证表现。
原文摘要
Summary This paper considers identification and estimation of a fixed‐effects model with an interval‐censored dependent variable. In each time period, the researcher observes the interval (with known endpoints) in which the dependent variable lies but not the value of the dependent variable itself. Two versions of the model are considered: a parametric model with logistic errors and a semiparametric model with errors having an unspecified distribution. In both cases, the error disturbances can be heteroskedastic over cross‐sectional units as long as they are stationary within a cross‐sectional unit; the semiparametric model also allows for serial correlation of the error disturbances. A conditional‐logit‐type composite likelihood estimator is proposed for the logistic fixed‐effects model, and a composite maximum‐score‐type estimator is proposed for the semiparametric model. In general, the scale of the coefficient parameters is identified by these estimators, meaning that the causal effects of interest are estimated directly in cases where the latent dependent variable is of primary interest (e.g., pure data‐coding situations). Monte Carlo simulations and an empirical application to birthweight outcomes illustrate the performance of the parametric estimator.