Split-Sample Instrumental Variables Estimates of the Return to Schooling
教育回报的分样本工具变量估计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：摘要以工具变量重新估计教育回报，并讨论两阶段最小二乘的偏误，直接关联因果效应估计的方法问题。
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
教育回报的分样本工具变量估计
- 研究问题
- 估计教育回报时，两阶段最小二乘为何可能向普通最小二乘结果偏误，分割样本能否缓解这一问题？
- 方法与思路
- 作者用半数样本估计第一阶段参数，再将这些参数用于另一半样本构造拟合值和第二阶段估计，并讨论偏误修正。
- 材料陈述的贡献
- 摘要称该估计不向普通最小二乘偏误，但存在可修正的零向偏误；作者据此重新考察教育回报的工具变量估计。
- 阅读关注点
- 重点核对偏误结论成立的模型条件、样本分割与修正步骤，并检查教育回报应用中工具变量的来源及有效性论证。
- 阅读边界
- 摘要未说明工具变量、偏误修正公式、样本规模及教育回报数值，不能据此判断识别有效性或有限样本表现。
原文摘要
Two-stage least squares is biased in the same direction as ordinary least squares even in very large samples. The authors propose a split-sample instrumental variables estimator that is not biased toward ordinary least squares. Split-sample instrumental variables uses one-half of a sample to estimate parameters of the first-stage equation. Estimated first-stage parameters are then used to construct fitted values and second-stage parameter estimates in the other half sample. Split-sample instrumental variables is biased toward zero but this bias can be corrected. The authors use split-sample estimators to reexamine instrumental variables and two-stage least squares estimates of the returns to schooling.