[论文解读] Dealing with Logs and Zeros in Regression Models
论文引入了一新估计量族，iOLS（在内生情形下的i2SLS），用于处理对数线性模型中的因变量零值，通过统一 log(Y+1) 和 Poisson 方法，并配有一个数据驱动的模型选择测试。
The log transformation is widely used in linear regression, mainly because coefficients are interpretable as proportional effects. Yet this practice has fundamental limitations, most notably that the log is undefined at zero, creating an identification problem. We propose a new estimator, iterated OLS (iOLS), which targets the normalized average treatment effect, preserving the percentage-change interpretation while addressing these limitations. Our procedure is the theoretically justified analogue of the ad-hoc log(1+Y) transformation and delivers a consistent and asymptotically normal estimator of the parameters of the exponential conditional mean model. iOLS is computationally efficient, globally convergent, and free of the incidental-parameter bias, while extending naturally to endogenous regressors through iterated 2SLS. We illustrate the methods with simulations and revisit three influential publications.
研究动机与目标
- 澄清在对数线性与对数对数回归中的零值对数的问题及其对一致估计的影响，回顾现有方法及其局限。
- 提出一个灵活的、基于 OLS 的迭代估计量族（iOLS），能够嵌套对数线性和泊松模型。
- 开发一个内生扩展（i2SLS）并提供模型选择程序，以在不同的矩条件之间进行选择。
- 给出理论性质（一致性、渐近正态性）以及通过仿真和复现性验证的实证表现。
提出的方法
- 通过一个超参数 delta 来加权 Y 与 exp(X'beta) 在对数变换中的连续模型。
- 定义变换后的因变量 tilde{Y}_i(beta, delta) = log(Y_i + delta exp(X_i'beta)) - c(beta, delta)，并通过固定点迭代估计 beta（iOLS）。
- 通过解更新 beta_{t+1} = [X'X]^{-1} X' tilde{Y}(beta_t)，从初始 beta_0 开始，迭代。
- 表明特殊情形收敛到对数线性模型（delta -> 0）和泊松模型（delta -> ∞）。
- 在外生性假设下给出识别并推导鲁棒方差下的渐近分布。
实验结果
研究问题
- RQ1在对数线性/对数对数模型中应如何处理因变量的零值，以获得一致估计？
- RQ2我们能否创建一个统一、计算友好的估计量，嵌套对数线性与泊松模型并能处理大量固定效应？
- RQ3如何在由 delta 参数引入的不同矩条件之间进行模型选择？
- RQ4iOLS 在外生与内生情形下的渐近性质（一致性、正态性）是什么？
主要发现
- iOLS 家族提供了一致、渐近正态的估计量，能将对数线性和泊松模型嵌入为特例。
- delta 参数创建了一个模型的连续体，delta -> 0 时得到对数线性，delta -> ∞ 时得到乘法泊松框架。
- 估计量计算速度快，只需一次 X'X 求逆和 beta 的迭代更新。
- 开发了一个内生扩展（i2SLS），用于处理具有大量固定效应的 IV 情境。
- 提出规格检验，用以评估模型对观测零值的外部有效性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。