Point-Identifying Semiparametric Sample Selection Models with No Excluded Variable
无排除变量的半参数样本选择模型点识别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：摘要主要研究半参数样本选择与点识别，所给分类中没有直接对应方向，工资差异也未明确为处理效应。
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
无排除变量的半参数样本选择模型点识别
- 研究问题
- 当样本选择模型没有可用的排除变量时，能否借助连续协变量和选择过程的非线性实现点识别，并进行有效估计？
- 方法与思路
- 作者提出半参数选择模型和两步筛法代入估计，允许异方差，并推导效率界及达到该界的加权估计变体。
- 材料陈述的贡献
- 摘要称估计量具有平方根样本量一致性和渐近正态性，提供介于既有界限方法之间的点识别方案，并应用于工资差异。
- 阅读关注点
- 应核对连续协变量与非线性的具体要求、筛法与加权方案的条件，以及工资估计落在既有界限外的原因。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未展开关键识别限制，不能将无需排除变量理解为无需其他假设。
原文摘要
Sample selection is pervasive in applied economic studies. This paper proposes semiparametric selection models that achieve point identification without relying on exclusion restrictions. Our identification conditions require at least one continuously distributed covariate and certain nonlinearity in the selection process. We propose a two-step sieve plug-in estimator that is $\sqrt{n}$-consistent, asymptotically normal, and computationally straightforward, allowing for heteroskedasticity. We further derive the semiparametric efficiency bound for the model and propose a weighted variant of the estimator that attains the bound. Our approach provides a middle ground between Lee (2009)'s nonparametric bounds and Honoré and Hu (2020)'s linear selection bounds, while ensuring point identification. Simulation evidence confirms its excellent finite-sample performance. We apply our method to estimate the racial and gender wage disparities using data from the US Current Population Survey. Our estimates often lie outside the Honoré and Hu bounds.