Efficient estimation of probit models with correlated errors
相关误差 Probit 模型的高效估计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：摘要明确涉及多项 Probit 与具有序列相关误差的二元面板 Probit。
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…
相关误差 Probit 模型的高效估计
- 研究问题
- 在多项或面板 Probit 模型存在相关误差时，如何高效计算高维截断积分所定义的似然，改善最大似然估计实现？
- 方法与思路
- 作者将高效重要性采样 EIS 用于似然计算，使标准 GHK 模拟器成为特例，并以多项多期 Probit 模型进行模拟比较。
- 材料陈述的贡献
- 摘要称，在所做蒙特卡洛实验中，GHK-EIS 相对标准 GHK 为最大似然估计带来显著的数值效率提升。
- 阅读关注点
- 应核对重要性分布的拟合方式、模拟次数与计算预算，以及效率比较衡量的是积分误差、估计误差还是运行时间。
- 阅读边界
- 所列出版社摘要未给出效率提升数值和完整实验设计；数值效率收益不能直接等同于新的统计效率界或普遍优势。
原文摘要
Maximum Likelihood (ML) estimation of probit models with correlated errors typically requires high-dimensional truncated integration. Prominent examples of such models are multinomial probit models and binomial panel probit models with serially correlated errors. In this paper we propose to use a generic procedure known as Efficient Importance Sampling (EIS) for the evaluation of likelihood functions for probit models with correlated errors. Our proposed EIS algorithm covers the standard GHK probability simulator as a special case. We perform a set of Monte Carlo experiments in order to illustrate the relative performance of both procedures for the estimation of a multinomial multiperiod probit model. Our results indicate substantial numerical efficiency gains for ML estimates based on the GHK-EIS procedure relative to those obtained by using the GHK procedure.