Bayesian inference in a sample selection model
样本选择模型的贝叶斯推断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：摘要重点是通用样本选择模型的贝叶斯计算与误差分布建模，未明确对应给定列表中的特定应用或效应方向。
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…
关注这篇论文的作者
样本选择模型的贝叶斯推断
- 研究问题
- 当结果变量仅部分可观测时，如何对样本选择模型进行贝叶斯推断，并同时考察选择效应与误差分布偏离正态的可能性？
- 方法与思路
- 作者先为正态选择误差与结果误差构造 Gibbs 算法，再用狄利克雷过程先验和成分数量随机的正态混合分布扩展至非正态模型。
- 材料陈述的贡献
- 摘要称后验分布可同时检测选择效应与非正态性，并使用模拟数据及 RAND 健康保险实验的部分资料展示方法。
- 阅读关注点
- 应核对选择方程与结果方程的识别条件、混合分布先验和抽样步骤，以及选择效应和非正态性如何在后验中加以区分。
- 阅读边界
- 解读限于所给出版社摘要；排除限制、先验敏感性和应用结果未说明，也不能仅因使用实验资料便认定研究对象是因果效应。
原文摘要
This paper develops methods of Bayesian inference in a sample selection model. The main feature of this model is that the outcome variable is only partially observed. We first present a Gibbs sampling algorithm for a model in which the selection and outcome errors are normally distributed. The algorithm is then extended to analyze models that are characterized by nonnormality. Specifically, we use a Dirichlet process prior and model the distribution of the unobservables as a mixture of normal distributions with a random number of components. The posterior distribution in this model can simultaneously detect the presence of selection effects and departures from normality. Our methods are illustrated using some simulated data and an abstract from the RAND health insurance experiment.