Partial maximum likelihood estimation of spatial probit models
空间 Probit 模型的部分最大似然估计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：摘要明确研究二元选择中的空间 Probit，空间依赖本身不足以认定其研究网络干扰效应。
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…
空间 Probit 模型的部分最大似然估计
- 研究问题
- 在二元选择数据存在截面空间依赖时，如何降低空间 Probit 的估计复杂度，并获得有效的参数与平均偏效应推断？
- 方法与思路
- 作者将观测划分为成对组，在组内指定二元正态分布并构造部分似然，同时提供协方差估计与平均偏效应计算。
- 材料陈述的贡献
- 摘要称估计量在正则条件下一致且渐近正态，协方差可一致估计，并报告相对于广义矩估计的效率优势。
- 阅读关注点
- 核对配对规则、组间依赖的处理、部分似然正则条件，以及潜在误差的条件分布如何支持平均偏效应计算。
- 阅读边界
- 仅依据所给出版社摘要；配对和空间结构的具体限制未说明，所述效率优势的比较范围不能由摘要确定。
原文摘要
This paper analyzes spatial Probit models for cross sectional dependent data in a binary choice context. Observations are divided by pairwise groups and bivariate normal distributions are specified within each group. Partial maximum likelihood estimators are introduced and they are shown to be consistent and asymptotically normal under some regularity conditions. Consistent covariance matrix estimators are also provided. Estimates of average partial effects can also be obtained once we characterize the conditional distribution of the latent error. Finally, a simulation study shows the advantages of our new estimation procedure in this setting. Our proposed partial maximum likelihood estimators are shown to be more efficient than the generalized method of moments counterparts.