کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5053652 1371457 2016 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Identification and estimation of endogenous selection models in the presence of misclassification errors
ترجمه فارسی عنوان
شناسایی و برآورد مدل های انتخاب درونی در حضور اشتباهات طبقه بندی غلط
کلمات کلیدی
انتخاب نمونه، اندوژنیت، خطاهای اندازه گیری غیر کلاسیک، متغیرهای ابزار، شناسایی نیمه پارامتریک،
ترجمه چکیده
در این مقاله، شناسایی نیمه پارامتریک و برآورد مدل های انتخاب نمونه را نشان می دهد زمانی که معادله اولیه حاوی یک متغیر غریب محسوب می شود. فرض بر این است که ابزار مناسب برای حضور اندوژن در دسترس است، من یک رویکرد عملکرد کنترل برای حذف اندوژن ممکن است. بر اساس استقلال متوسط ​​شرطی بین خطای مدل و خطای انتخاب، مدل می تواند به عنوان یک مدل رگرسیون نیمه پارامتری با یک متغیر غیرواقعی گسسته در نظر گرفته شود، در نتیجه اجازه می دهد خطای اندازه گیری غیر کلاسیک. فرضیه های اضافی شناسایی شامل محدودیت های تک تنه در عملکرد تابع رگرسیون و شرایط رتبه آزمایش تجربی است. سپس از نتیجه شناسایی برای ساختن برآوردگر تخمینی حداکثر احتمال غربالگری برای تخمینی پارامترهای مدل به طور مداوم استفاده می کنم و قانون انتخاب و احتمالات مشترک را با متغیر درون زا اندازه گیری شده با دقت اندازه گیری شده و متغیر مشاهده شده غلط اندازه گیری می شود. روش برآورد پیشنهادی اجازه می دهد تا یک شکل کارکردی غیرقابل اندازه گیری از متغیر وابسته به درون زا، به تنها یک ابزار معتبر برای کنترل هر دو خطای اندوژن و اندازه گیری برای متغیر مورد علاقه نیاز داشته باشد و هیچ فرضیه توزیع در قاعده انتخاب وجود ندارد.
موضوعات مرتبط
علوم انسانی و اجتماعی اقتصاد، اقتصادسنجی و امور مالی اقتصاد و اقتصادسنجی
پیش نمایش مقاله
شناسایی و برآورد مدل های انتخاب درونی در حضور اشتباهات طبقه بندی غلط
چکیده انگلیسی
This paper shows the semi-parametric identification and estimation of sample selection models when the primary equation contains a discrete mismeasured endogenous covariate. Assuming that appropriate instruments for the presence of endogeneity are available, I apply a control function approach to remove the possible endogeneity. Based on the conditional mean independence between the model error and the selection error, the model can be regarded as a semi-parametric regression model with a discrete mismeasured covariate, thereby permitting a non-classical measurement error. Additional identification assumptions include monotonicity restrictions on the regression function and an empirical testable rank condition. I then use the identification result to construct a sieve maximum likelihood estimation estimator to estimate the model parameters consistently and recover the selection rule and joint probabilities of the accurately measured endogenous variable and the mismeasured observed variable. The proposed estimation method allows for a rather flexible functional form of the mismeasured endogenous covariate, requires only one valid instrument to control for both endogeneity and measurement errors for the variable of interest, and imposes no distribution assumptions on the selection rule.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Economic Modelling - Volume 52, Part B, January 2016, Pages 507-518
نویسندگان
,