Using a Special Regressor to Identify Type I and Type II Error Probabilities, With an Illustrative Application to Miscarriages of Justice
利用特殊回归变量识别第一类与第二类错误概率：司法误判应用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：摘要明确将研究问题转化为误分类二元选择模型，直接对应离散选择。
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
利用特殊回归变量识别第一类与第二类错误概率：司法误判应用
- 研究问题
- 当真实错误无法直接观察时，如何非参数识别两类错误概率，并在排除限制或大支持条件不足时刻画识别边界？
- 方法与思路
- 作者将问题改写为误分类二元选择模型，利用特殊回归变量识别误分类概率，并在较弱单调性或支持不足下构造界限。
- 材料陈述的贡献
- 摘要称该方法提供两类错误率的识别与界限，并用于弗吉尼亚司法误判；异常高的错误定罪估计也提示样本与假设问题。
- 阅读关注点
- 应核对特殊回归变量的选择、排除限制和支持条件，界限依赖的单调性，以及仅观察进入审判者如何影响估计解释。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体变量与界限形式未说明，误判估计的可信度仍依赖关键假设，不能推断后续刊本变化。
原文摘要
We nonparametrically identify Type I and Type II error rates when mistakes are unobserved. Our strategy reframes the setting as a misclassified binary choice model, using a special regressor to identify the misclassification probabilities. Identification requires an exclusion restriction and a large support condition. When the exclusion restriction is in doubt, we show how our estimands can be interpreted as bounds under a weaker monotonicity condition. Bounds are also provided when the large support condition is violated. We apply our method to estimate miscarriages of justice in Virginia. Among defendants who proceeded to trial, the estimated probability of wrongful acquittal ranges from 18 to 42%, depending on offense type, race, and gender. Our method also produces estimates of wrongful conviction probabilities; however, these are very high, potentially reflecting the restriction of our sample to trial defendants and/or violations of key assumptions.