然而,在Hyslop(1999)关于劳动力市场与生育决策之间相互作用的开创性论文中,当考虑到滞后的就业决策时,生育决策的外源性是不可否认的。这表明,外源性假设不应成为我的模型中主要关注的原因。更多关于方法的讨论一般情况下,所有的有限元估计都包括在内,因此常数被排除在外。群体比较由于我对改革前和改革后的样本分别运行C-Lasso,我必须做出假设并制定标准来适当地比较不同的群体。在数据集上应用C-Lasso,我发现两个样本都有三个潜在组。这样做的好处是,我可以为每个治疗组找到一个相关的控制组。我应用一种基于距离的方法来筛选合适的治疗组和对照组进行比较,目的是比较那些在被分类到直接治疗组的个体数量和预测的就业概率方面最相似的控制组和治疗组。因此,治疗组和对照组(GKT,GKC)符合以下最小化规则:A:=mino,...,O3!{ntoj[gk]-ncoj[gk]}B:=mino,...,O3!{employtoj[gk]-employcoj[gk]},k=1,。..,3,j=1,...,3!,我选择Minkowski距离作为合适的测度d(x,x)=(Nxi=1xi-xip)1/p=x-xp,并设置p=1。其中o,..。,O3!是{gt,gt,gt,gc,gc,gc}上的排列,N是一个包含每组母亲数量的向量,employ是一个包含在儿童年龄的不同阶段的预测平均就业概率的向量,其余的符号如上所示。表15显示,对于处理组和对照组配对的最佳选择,这种排列也对应于C-套索组分类的顺序,即我们接受配对(GT,GC),(GT,GC),(GT,GC).表15A Bo28 0.8626 O58 2.1606 O230 2.5724 O176 1.7588 O230 3.0338 O206 2.5954分面板折刀在本小节中,我介绍了半面板折刀(Dhaene and Jochmans(2015))方法的基本思想,以减少Fireced-E-ECT模型中的偏差。众所周知,特别是,具有约束的非线性动力学模型的极大似然估计受制于附带参数问题(Neyman和Scott(1948))。我跟着苏等人。(2016)并使用半面板夹克刀校正后C套索估计中的偏差。折刀校正法是显式地设计来处理数据中的动态,并产生易于实现的估计量,只需要几个最大似然估计。在我的经验应用中,我考虑T=73,并将面板划分为两个半面板。当T为奇数时,我将面板拆分成形式为={S,S}的不重叠的半面板,其中S:={1,2,...,b73/2c},S:={b73/2c+1,...,73}。然后Dhaene和Jochmans(2015)提出的半面板估计量~θ1/2:=2θ-θ1/2,θ1/2:=(θS+θS),在本小节中,我引入了均值和方差的插件估计量。插件估计是一种常用的参数估计方法。我遵循Dhaene和Jochmans(2015),并使用这个估计方案来计算平均边际e-hected ects(AME)及其标准误差估计,这是我的经验方法中主要感兴趣的参数。例如,在Lederer(2018)中可以找到插件估计的介绍,首先,我考虑随机变量x:(a,a,P)→(R,B)的总体均值γ:=外置。设置f[μ]:=zid dμ,id[a]=a标识函数,对于B上的每一个概率测度μ,wefndγ=f[x[P]],这将我们带入插件框架。给定数据x,.用empriricalmeasure估计x[P],得到经验平均值γ=f[pn]=zid d pn=nnxi=1xi.cf。
|