Misclassification in binary choice models

تقلید از طبقه بندی نامناسب متغیرهای وابسته باینری می تواند بیان شود. ما بررسی می کنیم که از چنین اطلاعات آلوده آموخته می شود. اولا، تعصب آشفتگی در مدل های پارامتری را به وجود می آوریم که اجازه می دهد طبقه بندی نامناسب با مشاهدات و غیر قابل مشاهده باشد. شبیه سازی ها و داده های اعتبار سنجی نشان می دهد که فرمول های تعصب در نمونه های محدود دقیق هستند و در اغلب موارد به معنی ضعف هستند. دوم، ما تعصب را در یک برنامه نمونه اولیه بررسی میکنیم. اشتباه محدود کردن کوواریانس اشتباه طبقه بندی و کوواریات ها، تعصب را برای همه برآوردها که مورد بررسی ما قرار می دهد، تشدید می کند. برآوردگرانی که این محدودیت را تحمل می کنند، اگر مدل ایده های طبقه بندی غلط یا اعتبار سنجی موجود باشد، به خوبی عمل می کند.