Estimating Nonseparable Selection Models: A Functional Contraction Approach
非可分选择模型估计：函数压缩映射方法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：摘要直接研究非可分选择模型的结构估计与潜在结果分布恢复。
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…
非可分选择模型估计：函数压缩映射方法
- 研究问题
- 仅观察被选择样本的结果时，能否在不对结果方程施加参数化或可分性限制的情况下恢复潜在结果分布并估计选择模型？
- 方法与思路
- 作者在给定选择函数和适当压缩条件下，用迭代算法恢复潜在结果分布，再以两步策略估计分布与选择函数参数。
- 材料陈述的贡献
- 摘要称建立了潜在结果分布的非参数识别及估计量的一致性、渐近正态性，并讨论交易价格、拍卖和工资选择应用。
- 阅读关注点
- 应核对压缩条件如何检验、给定选择函数与估计该函数之间的衔接、迭代收敛，以及两步估计误差如何进入推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验；摘要未说明具体压缩条件，所称有限样本表现也缺少数值细节。
原文摘要
We propose a novel method for estimating nonseparable selection models. We show that, for a given selection function and under suitable contraction conditions, the potential outcome distributions are nonparametrically identified from the selected outcome distributions and can be recovered using a simple iterative algorithm. This result enables a full-information approach to estimating selection models without imposing parametric or separability assumptions on the outcome equation. We propose a two-step estimation strategy for the potential outcome distributions and the parameters of the selection function and establish the consistency and asymptotic normality of the resulting estimators. Monte Carlo simulations demonstrate that our approach performs well in finite samples. The method is applicable to a wide range of empirical settings, including consumer demand models with only transaction prices, auctions with stochastic winning rules and incomplete bid data, and Roy-type models with data on accepted wages.