Bayesian Nonparametric Instrumental Variables Regression Based on Penalized Splines and Dirichlet Process Mixtures
基于惩罚样条与狄利克雷过程混合的贝叶斯非参数工具变量回归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：摘要明确使用结构方程和工具变量校正内生性，并研究班级规模对学生表现的影响，支持结构估计与因果推断方向。
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…
基于惩罚样条与狄利克雷过程混合的贝叶斯非参数工具变量回归
- 研究问题
- 当协变量效应的函数形式未知且存在内生性时，如何在加性可分结构下校正回归偏误，并对非参数效应给出同时可信带与平滑参数选择？
- 方法与思路
- 作者建立联立方程，用惩罚样条表示连续协变量的非线性效应，以狄利克雷过程混合刻画联合误差分布，并通过 MCMC 进行贝叶斯推断。
- 材料陈述的贡献
- 摘要称，后验样本提供点估计、同时可信带及数据驱动的平滑参数选择，灵活误差分布改善稳健性；模拟和以色列班级规模应用展示方法。
- 阅读关注点
- 核对工具变量的有效性与识别条件、加性可分限制、混合分布先验和后验计算；关注同时可信带的解释及班级规模应用的识别依据。
- 阅读边界
- 摘要未列明工具变量、先验敏感性、计算收敛诊断或具体模拟结果；作者所称稳健性改善与贝叶斯优势，仍需结合假设及比较设计核对。
原文摘要
We propose a Bayesian nonparametric instrumental variable approach under additive separability that allows us to correct for endogeneity bias in regression models where the covariate effects enter with unknown functional form. Bias correction relies on a simultaneous equations specification with flexible modeling of the joint error distribution implemented via a Dirichlet process mixture prior. Both the structural and instrumental variable equation are specified in terms of additive predictors comprising penalized splines for nonlinear effects of continuous covariates. Inference is fully Bayesian, employing efficient Markov chain Monte Carlo simulation techniques. The resulting posterior samples do not only provide us with point estimates, but allow us to construct simultaneous credible bands for the nonparametric effects, including data-driven smoothing parameter selection. In addition, improved robustness properties are achieved due to the flexible error distribution specification. Both these features are challenging in the classical framework, making the Bayesian one advantageous. In simulations, we investigate small sample properties and an investigation of the effect of class size on student performance in Israel provides an illustration of the proposed approach which is implemented in an R package bayesIV. Supplementary materials for this article are available online.