Estimation of Seemingly Unrelated Tobit Regressions via the EM Algorithm
似不相关 Tobit 回归的 EM 算法估计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：摘要涉及受限因变量模型的似然估计及福利应用，但未提供离散选择、结构估计或其他所列细分方向的明确依据。
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…
似不相关 Tobit 回归的 EM 算法估计
- 研究问题
- 对于两个因变量被描述为截断正态的似不相关 Tobit 回归，如何通过 EM 算法进行似然估计，并用实际问题展示方法？
- 方法与思路
- 作者使用 EM 似然算法估计两条似不相关的 Tobit 回归；摘要将因变量描述为截断正态，但未交代潜变量设定或迭代细节。
- 材料陈述的贡献
- 摘要展示 EM 似然算法用于两条 Tobit 回归的估计，并给出人寿与健康保险福利及养老金福利决定问题的示例，未报告具体结果。
- 阅读关注点
- 核对截断和删失在模型中的具体含义、两方程的联合分布与相关结构，以及 EM 迭代公式、停止规则和数值稳定性。
- 阅读边界
- 摘要未说明样本、识别条件、算法收敛性质或与其他估计方法的比较，不能据此认定 EM 具有准确性或计算效率优势。
原文摘要
An expectation-maximum (EM) likelihood algorithm is used to estimate two seemingly unrelated Tobit regressions in which the dependent variables are truncated normal. An illustrative example on the determination of the life-health insurance and pension benefits is also given.