Nonparametric Identification of Demand without Exogenous Product Characteristics
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);Brown University(布朗大学)
本文提出在更弱的指数限制和‘信仰’条件下,通过重新中心化的工具非参数识别需求,解决了内生产品特征下的需求识别问题。
2026-02-20 econ.EM math.ST stat.ME
Partial Identification of Individual-Level Parameters Using Aggregate Data in a Nonparametric Model
Department of Economics, Massachusetts Institute of Technology(麻省理工学院经济学系)
本文提出在非参数模型中利用汇总数据部分识别个体层面参数的方法,并通过实证分析展示了条件通过率在不同群体和县之间的差异。
2025-12-03 econ.EM stat.ME
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法,用于内生序贯处理机制下的处理效应识别,放松了支撑集与不可观测收益假设,并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
Point-identification in multivariate nonseparable triangular models
在这篇文章中,我们介绍了一个一般的非参数点识别结果的不可分的三角模型与多元的第一和第二阶段。在此基础上,我们证明了点识别的Hedonic模型的多元异质性和内生的可观察的特征,扩展和补充的识别结果,从文献中,都需要外生性。作为我们的理论结果的一个附加应用,我们证明了BLP模型(Berry et al.1995)也可以在没有指数限制的情况下被识别。
2018-06-25 econ.EM
Nonparametric Analysis of Random Utility Models
本文提出并实现了随机效用模型的非参数检验。激励的应用程序是测试的原假设,横截面的需求分布的样本是由一群理性的消费者。我们测试的充要条件,不依赖于任何限制未观察到的异质性或商品的数量。我们还提出并实施了一个控制函数的方法来考虑内生支出。独立利益的计量经济学结果是当这些被表示为多面体的顶点而不是其面时对线性不等式约束的测试。在英国的经验应用。最后,以家庭消费调查为例,说明了该方法在5种商品需求问题中的计算可行性.
2018-09-20 econ.EM math.ST stat.TH
Identification in (Endogenously) Nonlinear SVARs Is Easier Than You Think
University of Oxford(牛津大学)
本文研究了内生非线性SVARs的识别问题,证明在弱正则条件下,模型参数和结构冲击可非参数化地识别,且现有线性SVARs的识别方案可直接扩展至非线性设定。
2026-04-09 econ.EM math.ST stat.TH
A nonparametric instrumental approach to endogeneity in competing risks models
本文讨论了具有持续期结局、竞争风险和随机右截尾的内生治疗模型。使用离散工具变量解决了内点问题。我们发现,竞争风险模型产生一个非参数分位数工具回归问题。特定原因累积发生率、特定原因危害和子分布危害可以从回归函数中恢复。该模型的一个显着特点是,审查和竞争风险防止识别在某些分位数。我们的特点是一组分位数的精确识别是可能的,并给出部分识别结果的其他分位数。我们概述了一个估计过程,并讨论其性质。有限样本性能的估计通过模拟评估。我们将所提出的方法应用于大纽约州的健康保险计划实验。
2021-05-03 econ.EM math.ST q-bio.QM
Pivotal and identification-robust nonparametric inference in linear IV models
Simon Fraser University(西蒙菲莎大学);Toulouse School of Economics, Université Toulouse Capitole(图卢兹经济学院,图卢兹第三大学)
针对线性工具变量模型,提出对识别强度与异方差鲁棒且第一阶段非参数的新推断方法,包括渐近关键统计量、子向量推断和设定检验。
2026-06-11 econ.EM math.ST stat.TH
Identification and Estimation of Nonseparable Triangular Equations with Mismeasured Instruments
本文针对带测量误差工具变量的不可分离三角方程,提出非参数识别与估计方法,利用反卷积和未观测工具法恢复结构导数与局部平均响应,并给出估计量及收敛速率,蒙特卡洛验证其有限样本性能良好。
2024-04-21 econ.EM
IV Regressions without Exclusion Restrictions
本文研究了在无排除性工具变量条件下内生回归模型的识别与估计,提出了两种半参数估计量和一种基于离散化的估计量,证明了其渐近正态性,并通过模拟和实证验证了其稳健性。
2023-07-31 econ.EM
Random taste heterogeneity in discrete choice models: Flexible nonparametric finite mixture distributions
本文提出了一个多元非参数有限混合分布的混合logit模型。分布的支持被指定为系数空间上的高维网格,沿着相同维度的连续点之间具有相等或不等的间隔;网格上每个点的位置和该点的概率质量是需要估计的模型参数。该框架不要求分析师在模型估计之前指定分布的形状,但可以近似任何多变量概率分布函数到任何任意精度。特别是具有不等间隔的网格,提供了比现有的多变量非参数规格更大的灵活性,同时需要估计少量的附加参数。一个期望最大化算法开发这些模型的估计。多个合成数据集和一个案例研究的出行方式选择行为,以证明模型框架和估计算法的价值。与现有的通过连续混合分布将随机味道异质性纳入的模型相比,所提出的模型提供了更好的样本外预测能力。调查结果显示,在支付措施之间的意愿显着差异,建议的模型和现存的规格。案例研究进一步证明了该模型的能力,内生恢复模式的属性不出席和选择集的形成。
2018-02-07 econ.EM stat.AP
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型,代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下,我们感兴趣的是确定在每个阶段的个人的平均结果,有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应(ATE)和关于转变的ATE,以及最佳处理方案,即,使平均潜在结果的(加权)和最大化的方案,可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明,感兴趣的参数下确定每个时期的双向排除限制,即,结果确定过程中排除了工具,治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下,后者的变量是不可用的。最后,我们将我们的结果扩展到一个设置,治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Closed-form estimation and uniform inference in additively separable triangular models with a nonseparable first stage
Aarhus University(奥胡斯大学)
本文针对含不可分第一阶段的可加可分三角模型,推导结果函数的闭式表达式,提出无需正则化的插件估计量,采用经验bootstrap构造一致置信带,完成非参数识别与估计并实现一致推断。
2026-08-25 econ.EM
Nonparametric Treatment Effect Identification in School Choice
Stanford University(斯坦福大学)
本文提出非参数方法识别学校分配中的处理效应,分析了原子处理效应的识别与估计,并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
Identification of Random Coefficient Latent Utility Models
本文给出了扰动效用模型中随机系数分布的非参数辨识结果。我们涵盖离散和连续选择模型。我们使用平均数量的变化来建立识别,当分析师观察总需求时,结果适用,但不适用于商品是否被一起选择。我们需要排除限制和独立的随机斜率系数和随机截距。我们不要求回归变量具有大的支持或参数假设。
2020-02-29 econ.EM
A path-sampling method to partially identify causal effects in instrumental variable models
在一般工具变量模型中,部分识别方法是标准点识别方法的一种灵活和鲁棒的替代方法。然而,这种灵活性是以“基数诅咒”为代价的:对所确定的集合的限制数量随着支持内源性处理的点的数量呈指数级增长。本文提出了一种新的路径采样方法来应对这一挑战。它的目的是部分识别因果效应的利益在最复杂的模型与连续的内源性治疗。随机过程表示允许将对个人行为的假设无缝地合并到模型中。一些潜在的应用包括不完全依从性随机试验中的剂量反应估计,社会计划的评估,需求模型中的福利估计和连续选择模型。作为一个示范,该方法提供了翔实的非参数范围内的家庭支出的假设下,支出是连续的。数学上的贡献是一种近似求解无限维线性规划路径空间通过采样。
2020-06-29 econ.EM math.ST stat.TH
Partial Identification of Causal Effects for Endogenous Continuous Treatments
本文将Rosenbaum和Marginal敏感性模型扩展至连续处理,用随暴露水平变化的敏感性函数替代标量参数,提出统一的伪结果回归估计方法,并证明估计量的一致性和渐近正态性,通过模拟和二手烟暴露对儿童血铅影响的实际数据验证了方法。
2025-08-19 econ.EM math.ST stat.ME
Identification and Semiparametric Estimation of Conditional Means from Aggregate Data
Pennsylvania State University(宾夕法尼亚州立大学);Yale University(耶鲁大学)
本文提出一种新的方法,用于在仅观察到汇总单位(如地理区域)的平均结果和组指标时,估计组内结果变量的均值。通过弱化识别条件,提出基于部分线性形式的去偏机器学习估计器,并提供半参数敏感性分析和非参数检验,最终推导出有效的置信区间。
2026-04-30 econ.EM stat.ME