Bayesian State-Space Modeling and Model-Based Counterfactual Analysis of Dynamic Income Distributions from Grouped Data
分组数据下动态收入分布的贝叶斯状态空间建模与反事实分析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：摘要明确估计动态收入分布并分析分布不同部分，且以潜在状态跨期演化建模，对应分布分析与时间序列方法。
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
分组数据下动态收入分布的贝叶斯状态空间建模与反事实分析
- 研究问题
- 只有重复观测的分组收入数据时，如何估计收入分布随时间的变化，并在模型内分解人口因素对分布不同部分的贡献？
- 方法与思路
- 作者为第二类广义贝塔分布建立贝叶斯状态空间模型，跨相邻时期共享信息，再固定其他模型成分的演化构造人口协变量反事实。
- 材料陈述的贡献
- 摘要称，动态模型比逐期独立估计更精确；日本收入应用显示老龄化与家庭规模经不同渠道作用，约 2000 年后老龄化更重要。
- 阅读关注点
- 应核对分组观测的似然、潜在参数动态与先验、精度比较方式，以及反事实如何改变协变量并保持其他成分的演化。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出具体精度结果，模型反事实不能直接视为已识别的因果效应。
原文摘要
Grouped income data contain only limited information about the evolution of income distributions over time. This paper develops a Bayesian state-space model for the generalized beta distribution of the second kind (GB2) to estimate dynamic income distributions using repeated grouped income data. By borrowing information across adjacent periods through the latent GB2 parameters, the proposed framework improves estimation precision relative to independent cross-sectional estimation. Building on the estimated latent-state dynamics, we further construct a model-based counterfactual framework that quantifies the contribution of demographic covariates while preserving the estimated evolution of the remaining model components. Using Japanese household income data from 1969--2007, we find that population aging and declining household size affect different parts of the income distribution through distinct channels, with population aging becoming an increasingly important driver of income inequality after around 2000. More generally, the proposed framework provides a unified Bayesian approach to dynamic distributional analysis and model-based counterfactual inference using repeated grouped income data.