Identification and Estimation of Regression Models with Misclassification
含误分类解释变量的回归模型：识别与估计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：摘要主题是二元解释变量的误分类与一般回归识别，未明确讨论因果效应、离散选择或结构估计，现有细分标签不足以准确归类。
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
含误分类解释变量的回归模型：识别与估计
- 研究问题
- 当二元解释变量存在误分类，且测量误差可能与回归量相关时，非参数回归函数能否被识别，以及如何进行估计与误分类检验？
- 方法与思路
- 作者利用与潜在真实变量相关、但与测量误差无关的额外随机变量建立识别，构造核估计量，并基于排除限制提出误分类检验。
- 材料陈述的贡献
- 摘要称，非参数识别结果可直接延伸到半参数和参数回归，并给出核估计量的大样本性质、讨论替代估计程序及易于实施的误分类检验。
- 阅读关注点
- 核对额外变量与真实变量、测量误差之间的关系，识别结果所需的完整限制，以及核估计量和基于排除限制的检验如何实施。
- 阅读边界
- 摘要未说明额外变量与测量误差关系的精确定义、完整识别限制及有限样本表现，不能仅据这些陈述判定具体数据满足识别要求。
原文摘要
This paper studies the problem of identification and estimation in nonparametric regression models with a misclassified binary regressor where the measurement error may be correlated with the regressors. We show that the regression function is nonparametrically identified in the presence of an additional random variable that is correlated with the unobserved true underlying variable but unrelated to the measurement error. Identification for semiparametric and parametric regression functions follows straightforwardly from the basic identification result. We propose a kernel estimator based on the identification strategy, derive its large sample properties, and discuss alternative estimation procedures. We also propose a test for misclassification in the model based on an exclusion restriction that is straightforward to implement. Copyright The Econometric Society 2006.