Misclassification in binary choice models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985998%3A_____%2F17%3A00482108" target="_blank" >RIV/67985998:_____/17:00482108 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216208:11640/17:00478019

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.jeconom.2017.06.012" target="_blank" >http://dx.doi.org/10.1016/j.jeconom.2017.06.012</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.jeconom.2017.06.012" target="_blank" >10.1016/j.jeconom.2017.06.012</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Misclassification in binary choice models

Popis výsledku v původním jazyce

Bias from misclassification of binary dependent variables can be pronounced. We examine what can be learned from such contaminated data. First, we derive the asymptotic bias in parametric models allowing misclassification to be correlated with observables and unobservables. Simulations and validation data show that the bias formulas are accurate in finite samples and in most situations imply attenuation. Second, we examine the bias in a prototypical application. Erroneously restricting the covariance of misclassification and covariates aggravates the bias for all estimators we examine. Estimators that relax this restriction perform well if a model of misclassification or validation data is available.

Název v anglickém jazyce

Misclassification in binary choice models

Popis výsledku anglicky

Bias from misclassification of binary dependent variables can be pronounced. We examine what can be learned from such contaminated data. First, we derive the asymptotic bias in parametric models allowing misclassification to be correlated with observables and unobservables. Simulations and validation data show that the bias formulas are accurate in finite samples and in most situations imply attenuation. Second, we examine the bias in a prototypical application. Erroneously restricting the covariance of misclassification and covariates aggravates the bias for all estimators we examine. Estimators that relax this restriction perform well if a model of misclassification or validation data is available.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

50201 - Economic Theory

Projekt

<a href="/cs/project/GJ16-07603Y" target="_blank" >GJ16-07603Y: Příčiny a důsledky nesprávného vykazování ve výběrových šetřeních: Evidence z propojených administrativních dat</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Journal of Econometrics

ISSN

0304-4076

e-ISSN

—

Svazek periodika

200

Číslo periodika v rámci svazku

2

Stát vydavatele periodika

CH - Švýcarská konfederace

Počet stran výsledku

17

Strana od-do

295-311

Kód UT WoS článku

000410870600012

EID výsledku v databázi Scopus

2-s2.0-85026309230