Bayesian inference for the mover–stayer model in continuous time with an application to labour market transition data
连续时间流动者—留驻者模型的贝叶斯推断及劳动市场转移应用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：摘要使用离散时间观测的个体劳动市场转移记录，涉及个体跨期状态变化的面板分析。
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
连续时间流动者—留驻者模型的贝叶斯推断及劳动市场转移应用
- 研究问题
- 如何用离散时间记录的劳动市场转移推断连续时间流动者与留驻者模型，并衡量离散模型的连续时间可嵌入性？
- 方法与思路
- 作者提出贝叶斯推断程序，比较重要性抽样与新 Gibbs 抽样，并用法国劳动力调查个体转移数据估计转移强度和留驻比例。
- 材料陈述的贡献
- 摘要称方法可推导离散模型嵌入连续时间模型的概率，并以 Gibbs 抽样估计转移参数及其函数，展示劳动市场应用。
- 阅读关注点
- 核对个体转移记录的时间结构、留驻者的识别、可嵌入性的判定，以及先验设定、抽样收敛与两种算法的比较。
- 阅读边界
- 仅据所给 Crossref 摘要，转移强度限制、先验和估计结果未说明，也无法判断有限观察期如何区分留驻与低频流动。
原文摘要
Abstract This paper presents Bayesian inference procedures for the continuous time mover–stayer model applied to labour market transition data collected in discrete time. These methods allow us to derive the probability of embeddability of the discrete‐time modelling with the continuous‐time one. A special emphasis is put on two alternative procedures, namely the importance sampling algorithm and a new Gibbs sampling algorithm. Transition intensities, proportions of stayers and functions of these parameters are then estimated with the Gibbs sampling algorithm for individual transition data coming from the French Labour Force Surveys collected over the period 1986–2000. Copyright © 2003 John Wiley & Sons, Ltd.