Moment Estimation With Attrition
存在样本流失时的矩估计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：摘要明确研究企业纵向样本的流失、动态劳动需求模型及加权矩估计，直接对应微观面板数据。
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…
存在样本流失时的矩估计
- 研究问题
- 企业从纵向样本中流失会怎样影响动态劳动需求模型估计，能否用灵活的流失模型处理多种退出原因而无需识别每家企业的原因？
- 方法与思路
- 作者调查法国企业样本的流失信息，基于随机缺失假设的纵向推广建立流失模型，并通过加权广义矩估计实施校正。
- 材料陈述的贡献
- 摘要称加权估计在矩估计量类别中具有一致性与效率，且流失建模显著改变并改善动态要素需求估计，作者将改善归因于模型的灵活性。
- 阅读关注点
- 应核对纵向随机缺失假设、权重构造和矩条件、效率比较范围，以及样本流失调查如何支持假设与所谓估计改善。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要。一致性与效率依赖的完整条件、改善的衡量标准和数值未说明，不能推断其处理任意非随机流失。
原文摘要
We study the effects of the attrition of firms from longitudinal samples on the estimates of dynamic labor demand models. The reasons for attrition from business-based longitudinal samples are extremely varied and are related to both the economic activity of the business and the methods of acquiring sampling frame information for those businesses. We do an exhaustive study of the available information regarding the attrition of French firms from our analysis sample. We propose flexible attrition models based on a longitudinal generalization of the missing at random assumption. We implement these models with a weighted generalized method of moments estimator that is consistent and efficient (in the class of moment estimators). Our flexible attrition models substantially alter and improve the estimation results for dynamic factor demand models. We attribute the improvement to the ability of our models to handle the very diverse reasons for attrition that our audit uncovered without requiring specific knowledge of which reason applies to a particular exiting firm.