Probit with Dependent Observations
观测相关情形下的Probit估计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：摘要直接研究Probit这一离散响应模型在观测相关情形下的估计。
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
观测相关情形下的Probit估计
- 研究问题
- 当Probit模型的观测之间存在依赖、最大似然估计计算复杂时，如何利用矩条件构造计算便利且较有效率的估计量？
- 方法与思路
- 作者利用正交条件构造广义条件矩估计量，使其能够用于扰动协方差矩阵已知或未知的相关观测Probit模型。
- 材料陈述的贡献
- 摘要称该估计方法兼具计算吸引力与相对效率，允许两类协方差信息情形，并表示思路可推广到其他有限因变量模型。
- 阅读关注点
- 应核对正交条件的来源、允许的观测依赖形式、未知协方差的处理，以及效率比较的基准和推广所需改动。
- 阅读边界
- 摘要未给出矩条件、协方差结构或效率数值；正文研究对象仅为Probit，其他有限因变量模型的推广需另行核对。
原文摘要
Estimation of limited dependent variable models with dependent observations has received relatively little attention due to the computational complexity of the maximum likelihood estimator. We develop a computationally attractive and relatively efficient estimator for this case that utilises the orthogonality conditions. The resulting Generalized Conditional Moment (GCM) estimators can be applied with a known or an unknown disturbance covariance matrix. Although the paper considers only the probit model, the approach is easily generalized to other limited dependent variable models.