Testing identifying assumptions in bivariate probit models
双变量 probit 模型识别假设的检验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：摘要研究双变量 probit，并明确涉及工具变量识别和平均处理效应界。
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…
双变量 probit 模型识别假设的检验
- 研究问题
- 如何检验双变量 probit 的线性指标、误差联合正态性及工具变量外生性和相关性，并在模型被拒绝后继续分析处理效应？
- 方法与思路
- 作者构造覆盖这些假设所有可观测违背的尖锐可检验等式，利用交集界推断实施检验，并提出放宽正态性的效应界。
- 材料陈述的贡献
- 摘要称，检验在模拟中尺寸正确且能有效发现违背，并提供模型被拒绝后的分析路线及新的平均处理效应界。
- 阅读关注点
- 应核对可检验等式与联合假设的对应、交集界检验的实施条件，以及放宽正态性后保留哪些假设和效应界信息。
- 阅读边界
- 仅据所给 Crossref 摘要，检验覆盖的是可观测违背，不能把不拒绝视为所有假设成立；效应界的具体条件亦未说明。
原文摘要
Summary This paper considers the bivariate probit model's identifying assumptions: linear index specification, joint normality of errors, instrument exogeneity, and relevance. First, we develop sharp testable equalities that detect all possible observable violations of the assumptions. Second, we propose an easy‐to‐implement testing procedure for the model's validity using existing inference methods for intersection bounds. The test achieves correct empirical size and performs well in detecting violations of the conditions in simulations. Finally, we provide a road map on what to do when the bivariate probit model is rejected, including novel bounds for the average treatment effect that relax the normality assumption.