Random Set Quantile Estimation of Partially Identified Discrete Response Models
部分识别离散响应模型的随机集分位数估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究二元和多项离散选择，并将方法扩展至离散结果面板模型。
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…
部分识别离散响应模型的随机集分位数估计
- 研究问题
- 当离散协变量使半参数离散选择模型只能部分识别时，传统估计量为何出现随机集合极限，如何构造稳定的估计方法？
- 方法与思路
- 作者提出随机集分位数估计量，取传统估计量的τ分位数，其中τ介于二分之一与一之间，并采用m-out-of-n bootstrap实现。
- 材料陈述的贡献
- 摘要称，该构造在所研究模型的整个参数空间内具有一致性与局部稳健性，涵盖二元、多项选择及离散结果面板模型。
- 阅读关注点
- 应核对随机集分位数的定义、估计目标与识别集的关系，以及一致性、局部稳健性和bootstrap实现所需的条件。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未经核实。摘要未说明完整正则条件、分位数与重抽样规模的选择及推断方法。
原文摘要
Semiparametric discrete choice models are widely applied in economics, yet a fundamental tension arises when covariates are discrete as regression coefficients that are point identified under continuous regressors may become only partially identified. We show that this is not merely an identification problem but creates serious estimation pathologies. Classical estimators, including the maximum score estimator of Manski (1975), not only have population maximizers that are outer regions of the identified set (Komarova (2013)) but also converge to a random set drawn from a finite collection of deterministic regions that partition that outer region. To resolve this failure, we introduce the Random Set Quantile (RSQ) estimator which extracts the $τ$-quantile of the classical estimator for $τ\in (1/2,1)$. We prove this result for a class of widely used models, which includes binary/multinomial choice and discrete outcome panel data models. This construction is consistent and locally robust across the full parameter space, including precisely those configurations where classical estimators break down. A feasible implementation based on the $m$-out-of-$n$ bootstrap inherits both properties. We apply the methodology to the 2019 UK General Election, where the discrete support of Brexit-related covariates generates the partial identification our theory analyzes.