Estimating Derivatives in Nonseparable Models With Limited Dependent Variables
有限因变量非可分模型中的导数估计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：摘要研究非可分模型的效应导数，并明确讨论面板数据中的内生回归量，分别对应结构估计与面板数据方向。
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
有限因变量非可分模型中的导数估计
- 研究问题
- 当有限因变量是可观测变量与不可观测因素的非可分函数，且存在上方、下方或双侧删失时，如何估计可观测变量变化的效应？
- 方法与思路
- 作者先在未删失样本上估计条件均值对解释变量的导数，再修正删失引起的选择偏差，并讨论非参数和半参数估计方案。
- 材料陈述的贡献
- 摘要称作者提出适用于多种删失形式的效应导数估计方法，并讨论离散回归量，以及截面和面板数据环境中的内生回归量情形。
- 阅读关注点
- 阅读全文时应核对可观测变量与不可观测因素独立的作用、导数与目标效应的关系、选择偏差修正公式，以及内生性扩展所需条件。
- 阅读边界
- 基础模型假设解释变量与不可观测因素独立；摘要未交代内生回归量扩展的识别条件、具体渐近理论和有限样本表现。
原文摘要
We present a simple way to estimate the effects of changes in a vector of observable variables X on a limited dependent variable Y when Y is a general nonseparable function of X and unobservables, and X is independent of the unobservables. We treat models in which Y is censored from above, below, or both. The basic idea is to first estimate the derivative of the conditional mean of Y given X at x with respect to x on the uncensored sample without correcting for the effect of x on the censored population. We then correct the derivative for the effects of the selection bias. We discuss nonparametric and semiparametric estimators for the derivative. We also discuss the cases of discrete regressors and of endogenous regressors in both cross section and panel data contexts.