Correcting Endogeneity via Nonparametric Copula Control Functions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We propose a new framework that addresses endogenous regressors using a novel conditional copula endogeneity model to capture the regressor-error dependence unexplained by exogenous regressors.Building on the model, we develop a two-stage nonparametric copula control function approach (2sCOPEnp) for endogeneity correction without relying on instrumental variables.The method relaxes the restrictive assumption of the Gaussian copula regressor-error dependence structure and eliminates the need to model regressors.It unifies and generalizes existing copulabased endogeneity correction methods, while minimizing assumptions about the first-stage auxiliary dependence structures among regressors.Specifically, 2sCOPEnp constructs control functions using nonparametric estimates of the conditional cumulative distribution functions (CDFs) of endogenous regressors given exogenous variables, enhancing the accuracy and robustness of endogeneity correction.Unlike existing copula control function methods, 2sCOPEnp applies to broader dependence structures and can handle discrete endogenous regressors (e.g., binary or count) by leveraging relevant exogenous control variables to smooth discrete conditional CDFs.We demonstrate the robustness and broad applicability of the proposed method compared to existing copula-based endogeneity correction methods.Simulation studies demonstrate that the proposed method outperforms existing methods.We illustrate its usage and advantages in two empirical examples: store sales estimation and return to education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle