Panel Data Discrete Choice Models with Lagged Dependent Variables
含滞后因变量的面板离散选择模型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：摘要明确研究含个体效应与滞后因变量的面板离散选择模型，并涉及二元及多项选择，直接对应面板数据与离散选择。
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
含滞后因变量的面板离散选择模型
- 研究问题
- 当离散选择面板模型包含严格外生变量、因变量滞后项和不可观测个体效应时，哪些条件能识别模型参数，又如何据此构造可行估计量？
- 方法与思路
- 作者先研究含一阶因变量滞后的二元 logit 模型，再放松 logit 假设构造条件最大得分类估计，并讨论多项选择及二阶滞后的扩展。
- 材料陈述的贡献
- 摘要称二元 logit 模型在更强条件下可识别，估计一致且渐近正态但收敛较慢；半参数估计具有一致性，并报告二元模型的小样本模拟。
- 阅读关注点
- 阅读全文时应核对外生性、支持集和个体效应的限制，区分两类模型的识别与收敛结论，并查看滞后项、初始观测及估计中的调参如何处理。
- 阅读边界
- 摘要未列出识别条件及模拟表现，不能据此判断短面板中的实用性；半参数估计仅被摘要明确声称一致，多项选择和二阶滞后的扩展细节亦未说明。
原文摘要
In this paper, we consider identification and estimation in panel data discrete choice models when the explanatory variable set includes strictly exogenous variables, lags of the endogenous dependent variable as well as unobservable individual-specific effects. For the binary logit model with the dependent variable lagged only once, Chamberlain (1993) gave conditions under which the model is not identified. We present a stronger set of conditions under which the parameters of the model are identified. The identification result suggests estimators of the model, and we show that these are consistent and asymptotically normal, although their rate of convergence is slower than the inverse of the square root of the sample size. We also consider identification in the semiparametric case where the logit assumption is relaxed. We propose an estimator in the spirit of the conditional maximum score estimator (Manski (1987)) and we show that it is consistent. In addition, we discuss an extension of the identification result to multinomial discrete choice models, and to the case where the dependent variable is lagged twice. Finally, we present some Monte Carlo evidence on the small sample performance of the proposed estimators for the binary response model.