Optimally combining censored and uncensored datasets
删失与未删失数据集的最优组合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：摘要的实证示例明确估计义务教育法规变化对初婚年龄的影响，因此与因果推断相关，但核心方法具有通用性。
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
删失与未删失数据集的最优组合
- 研究问题
- 如何合并删失与未删失样本，在保持估计一致性和渐近正态性的同时充分利用信息，并应用于初婚年龄的政策效应估计？
- 方法与思路
- 作者提出合并两类样本的简单半参数框架，实施时无需非参数平滑，并以义务教育法规变化对初婚年龄的影响作说明。
- 材料陈述的贡献
- 摘要称，所提估计量具有一致性、渐近正态性并最优利用信息；一个小规模模拟实验显示其有限样本表现可以较好。
- 阅读关注点
- 应核对两类样本可合并的条件、删失机制与信息最优性的定义，以及教育法规应用中政策效应的识别依据。
- 阅读边界
- 仅据所给出版社摘要，无法判断效率结论的具体边界、样本可比性条件或政策识别策略，小规模模拟也不足以支持普遍优势。
原文摘要
We develop a simple semiparametric framework for combining censored and uncensored samples so that the resulting estimators are consistent, asymptotically normal, and use all information optimally. No nonparametric smoothing is required to implement our estimators. To illustrate our results in an empirical setting, we show how to estimate the effect of changes in compulsory schooling laws on age at first marriage, a variable that is censored for younger individuals. Results from a small simulation experiment suggest that the estimator proposed in this paper can work very well in finite samples.