Misclassification in binary choice models
二元选择模型中的误分类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：题名与摘要直接研究二元选择模型中二元因变量误分类造成的估计偏差。
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
二元选择模型中的误分类
- 研究问题
- 二元因变量的误分类与可观测或不可观测因素相关时，会怎样影响参数估计，又能从污染数据、误分类模型或验证数据中学到什么？
- 方法与思路
- 作者推导允许误分类相关性的参数模型渐近偏差，用模拟与验证数据检验偏差公式，并比较不同误分类限制下的估计表现。
- 材料陈述的贡献
- 摘要称，偏差公式在有限样本中较准确且多数情形表现为衰减；错误限制误分类与协变量的协方差会加剧所考察估计量的偏差。
- 阅读关注点
- 应核对误分类依赖可观测和不可观测因素的具体方式、偏差公式适用条件，以及放松限制时需要哪些误分类模型或验证信息。
- 阅读边界
- 仅据RePEc所载出版社摘要，应用细节与偏差数值未说明；多数情形出现衰减不等于偏差必然向零，改善也依赖可用辅助信息。
原文摘要
Bias from misclassification of binary dependent variables can be pronounced. We examine what can be learned from such contaminated data. First, we derive the asymptotic bias in parametric models allowing misclassification to be correlated with observables and unobservables. Simulations and validation data show that the bias formulas are accurate in finite samples and in most situations imply attenuation. Second, we examine the bias in a prototypical application. Erroneously restricting the covariance of misclassification and covariates aggravates the bias for all estimators we examine. Estimators that relax this restriction perform well if a model of misclassification or validation data is available.