Bayesian estimation of finite mixtures of Tobit models
有限混合 Tobit 模型的贝叶斯估计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。
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：摘要明确的是删失连续结果的混合回归，未说明离散选择、结构估计或分布效应目标，故现有细分证据不足。
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
有限混合 Tobit 模型的贝叶斯估计
- 研究问题
- 在连续结果存在较多删失且个体异质性可能由多个成分组成时，有限混合 Tobit 模型如何提供更灵活的估计？
- 方法与思路
- 作者提出结合 Gibbs 抽样和数据增广的 MCMC 估计方法，并通过模拟及职业培训、劳动供给和医疗需求应用考察。
- 材料陈述的贡献
- 摘要称，该方法在删失不可忽略时尤其有用，增加的灵活性不仅改善模型拟合，也可能显著改变应用中的研究结果。
- 阅读关注点
- 应核对混合成分数量、先验与标签交换处理、删失机制及抽样收敛，并区分拟合改善与经济解释变化的来源。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别条件、先验设定或具体结果，不能推断应用具有因果解释。
原文摘要
This paper outlines a Bayesian approach to estimate finite mixtures of Tobit models. The method consists of an MCMC approach that combines Gibbs sampling with data augmentation and is simple to implement. I show through simulations that the flexibility provided by this method is especially helpful when censoring is not negligible. In addition, I demonstrate the broad utility of this methodology with applications to a job training program, labor supply, and demand for medical care. I find that this approach allows for non-trivial additional flexibility that can alter results considerably and beyond improving model fit.