というNBER論文が上がっている（昨年末時点のWP）。原題は「Correcting for Misclassified Binary Regressors Using Instrumental Variables」で、著者はSteven J. Haider（ミシガン州立大）、Melvin Stephens Jr.（ミシガン大）。
以下はその要旨。
Estimators that exploit an instrumental variable to correct for misclassification in a binary regressor typically assume that the misclassification rates are invariant across all values of the instrument. We show that this assumption is invalid in routine empirical settings. We derive a new estimator that is consistent when misclassification rates vary across values of the instrumental variable. In cases where identification is weak, our moments can be combined with bounds to provide a confidence set for the parameter of interest.
（拙訳）
バイナリ回帰変数において、操作変数を用いて分類誤りを修正した推計量は、誤りの割合が操作変数の全ての値について不変であると仮定するのが普通である。我々は、日常的な実証の枠組みにおいてこの仮定が無効であることを示す。我々は、誤りの割合が操作変数の値によって変化する場合に一致性を持つ新たな推計量を導出する。識別が弱い時、我々のモーメントは、推計対象パラメータについて信頼区間を提供する境界値と組み合わせることができる。
