Relaxing conditional independence in an endogenous binary response model
放宽内生二元反应模型中的条件独立性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：摘要直接研究存在内生性和异方差的二元反应模型，最直接对应离散选择。
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
放宽内生二元反应模型中的条件独立性
- 研究问题
- 在存在内生解释变量的二元反应模型中，如何放宽控制函数的条件独立性要求，允许潜在误差异方差并仍实现参数识别？
- 方法与思路
- 作者在潜在高斯误差及灵活参数化异方差框架下，以条件均值限制建立识别，提出两步条件最大似然估计并推导渐近分布。
- 材料陈述的贡献
- 摘要称，新估计量在控制函数条件独立性失效的模拟中优于比较方法，且对分布误设较稳健，同时提供识别和渐近推断结果。
- 阅读关注点
- 应核对条件均值限制与原条件独立性的关系、工具变量要求、异方差参数化，以及第一步估计如何进入第二步的渐近方差。
- 阅读边界
- 摘要未列出完整识别条件和模拟误设范围；方法仍依赖所述误差分布与异方差框架，不能视为完全非参数的内生性解决方案。
原文摘要
For binary response models, the literature primarily addresses endogeneity by a control function approach assuming conditional independence (CF-CI). However, as the literature also notes, CF-CI implies conditions like homoskedasticity (of the latent error with respect to the instruments) that fail in many empirical settings. I propose an alternative approach that allows for heteroskedasticity, achieving identification with a conditional mean restriction. These identification results apply to a latent Gaussian error term with flexibly parametrized heteroskedasticity. I propose a two step conditional maximum likelihood estimator and derive its asymptotic distribution. In simulations, the new estimator outperforms others when CF-CI fails and is fairly robust to distributional misspecification.