Semiparametric and nonparametric estimation of sample selection models under symmetry
对称性下样本选择模型的半参数与非参数估计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：摘要明确涉及二元选择样本选择模型，直接对应离散选择；未说明因果处理效应或面板结构，不扩展到其他细分。
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
对称性下样本选择模型的半参数与非参数估计
- 研究问题
- 在异方差的二元选择样本选择模型中，能否借助联合对称性估计结果方程的截距与斜率，而不采用通常的跨方程排除限制？
- 方法与思路
- 作者在联合对称性假设下构造两步估计量，不对误差分布或异方差形式作参数化设定，并研究一致性与渐近正态性。
- 材料陈述的贡献
- 摘要称，方法可在所述框架下对结果方程的截距与斜率实现根号样本量一致估计，并以蒙特卡洛实验说明其用途。
- 阅读关注点
- 应核对联合对称性的具体定义、其他识别与支持条件、两步估计的实施，以及无通常排除限制时参数为何能够识别。
- 阅读边界
- 仅据所给出版社摘要，无法确认全部识别条件、对称性偏离的影响或模拟结果；免除通常排除限制不等于不需要其他限制。
原文摘要
This paper considers the semiparametric estimation of binary choice sample selection models under a joint symmetry assumption. Our approaches overcome various drawbacks associated with existing estimators. In particular, our method provides root-n consistent estimators for both the intercept and slope parameters of the outcome equation in a heteroscedastic framework, without the usual cross equation exclusion restriction or parametric specification for the error distribution and/or the form of heteroscedasticity. Our two-step estimators are shown to be consistent and asymptotically normal. A Monte Carlo simulation study indicates the usefulness of our approaches.