Max-sum tests for cross-sectional dependence of high-demensional panel data
本文考虑了高维面板数据的横截面依赖性检验问题,其中横截面单元的数量可能远大于观测值的数量。通过线性回归模型描述横截面依赖性。我们研究了三种检验方法,分别是和检验、最大值检验和最大和检验,其中后两种检验方法是新的。求和检验最初由Breusch和Pagan(1980)提出。我们分别对线性回归中的稀疏残差和非稀疏残差设计了最大和检验,并设计了最大和检验来折衷这两种情况。事实上,我们的模拟表明,最大和测试优于前两个测试。这使得最大和测试在实际中非常有用,其中一组数据的稀疏与否通常是模糊的。对于这三个检验的理论分析,我们解决了Pesaran(2004和2008)提出的关于样本相关系数平方和的两个问题。此外,我们还建立了面板数据线性回归模型中样本相关系数极大值的渐近理论,这也是我们所知的首次成功尝试。为了研究最大和检验,我们提出了一种新的方法来证明相依随机变量的最大值与和之间的渐近独立性。我们希望该方法本身对这种性质的其他问题是有用的。最后,进行了广泛的模拟研究以及案例研究。他们证明了我们提出的方法的优势,无论稀疏与否,在经验功率和残差的鲁棒性。
2020-07-08 econ.EM math.ST stat.TH
The Value of A Statistical Life in Absence of Panel Data: What can we do?
在本文中,我将展示如何可靠的估计值的统计生活(VSL)可以使用横截面数据使用加隆的工具变量(IV)的方法。通过使用风险态度代理,可以将IV设置引起的范围置信区间的增加减少3倍。为了说明横截面VSL估计的“精度”,我使用智利面板数据估计VSL,并将其用作不同横截面规格的基准。代理的使用消除了需要使用难以找到的工具的工作风险水平,并缩小了2009年智利劳动力市场的工人的置信区间。
2016-03-02 q-fin.RM stat.AP
Functional Mixed effects Model for Joint Analysis of Longitudinal and Cross-Sectional Growth Data
本文提出一种联合分析纵向与横截面生长数据的方法,通过聚类构建伪纵向数据并结合函数型混合效应模型,允许两类数据协方差和误差方差不同,模拟与实证验证了其良好性能。
2025-09-23 stat.ME
Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs
确定人口对健康或政策干预的反应的异质性对于评估和告知政策决定至关重要。我们提出了一种新的异质性处理效应估计的差异中的差异设计与重复的横截面数据,在那里我们观察不同的样本的人口在两个时间段分开的政策干预,以及作为控制的人口样本。我们的估计器具有正交特性,能够快速学习处理效应,同时允许较慢的速率估计滋扰成分。我们的建议在各种模拟设置中显示出有前途的经验性能。
2021-08-22 stat.ME
Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
University of Michigan(密歇根大学)
本文提出一种贝叶斯倾向分数增强的潜在因子模型,用于时间序列横截面数据的因果推断,通过引入潜在因子载荷显式建模处理分配机制,并通过分层等方法灵活整合倾向分数,提升跨分层的异质性分析能力。
2026-03-26 stat.ME
Statistical Considerations for Cross-Sectional HIV Incidence Estimation Based on Recency Test
确定HIV感染发生率的纵向队列在逻辑上具有挑战性,因此研究人员寻求替代策略。近因检验方法使用横断面样本中HIV感染受试者的生物标志物谱来推断他们是否“最近”感染并估计人群中的发病率。在实践中使用了两个主要的估计:一个假设近因检验是完全特定的,另一个允许假最近的结果。到目前为止,这些常用的估计还没有严格研究其假设和统计特性。在本文中,我们提出了一个理论框架,以了解这些估计和询问他们的假设,并进行模拟研究,以评估这些估计的性能下现实的艾滋病流行病学动态。最后,我们建议在实践中使用这些估计,并讨论未来的方法发展,以提高艾滋病毒发病率估计通过近因检验。
2021-06-03 stat.ME
Estimation of marriage incidence rates by combining two cross-sectional retrospective designs: Event history analysis of two dependent processes
这项工作的目的是开发的方法,研究的决定因素的婚姻发生率使用的婚姻历史收集下两种不同类型的回顾性横断面研究设计。这些设计是:在横断面之前对已婚妇女进行抽样,这是一个普遍的队列,而对妇女进行抽样,无论婚姻状况如何,这是一个一般的横断面队列。虽然流行队列的回顾性病史在没有参数建模假设的情况下无法确定发病率,但当与一般队列的数据结合时,可以确定发病率。此外,教育,一个强大的内生协变量,和婚姻的过程是相关的。因此,为了估计结婚率,需要对它们进行联合建模。为此,我们指定了一个多状态模型,并提出了一种基于似然的估计方法。我们概述的假设下,只涉及婚姻发生率参数的可能性表达式可以推导出来。这是特别感兴趣的,当回顾性的教育历史不可用或相关参数不感兴趣。我们的模拟结果证实了通过结合两种设计的数据获得的效率增益,同时展示了参数估计如何受到违反简化似然表达式中所用假设的影响。两个印度全国家庭健康调查被用作方法发展的动力,并展示了方法的应用。
2020-09-03 stat.ME
Estimation of Cross-Sectional Dependence in Large Panels
在大型面板数据分析中,准确估计横截面依赖程度对于进一步对所研究数据进行统计分析至关重要。将更多具有弱关系(横截面依赖性)的数据放在一起通常会导致效率较低的降维和更差的预测。本文通过因子模型描述了大量对象(时间序列)之间的横截面依赖性,并根据因子载荷的强度对其程度进行参数化。利用高维时间序列降维的特点,提出了一种新的联合估计方法,用于估计过程中表征程度的参数和其他参数。此外,一对估计的联合渐近分布建立。仿真结果表明了所提出的估计方法在有限样本情况下的有效性。研究了标准普尔500指数在跨国宏观变量和股票收益中的应用。
2019-04-15 econ.EM stat.ME
An Enhanced Cross-Sectional HIV Incidence Estimator that Incorporates Prior HIV Test Results
针对横断面RITA方法因低敏感性导致HIV发病率估计精度受限的问题,提出结合既往HIV检测结果的增强型RITA与估计器,理论证明与模拟及试验数据均表明其能提供更精确的发病率估计。
2023-09-12 stat.ME
Simulated Intervention on Cross-Sectional Nested Data: Development of a Multilevel NIRA Approach
针对横截面嵌套数据无法用原 NIRA 算法模拟因果过程的问题,本研究提出多层扩展的 multilevel NIRA 方法,详细阐述其核心原理与建模流程,并探讨其应用前景与局限。
2025-06-27 stat.AP stat.ME
Estimation with Aggregate Shocks
总体冲击影响大多数家庭和企业的决策。使用三个程式化的模型,我们表明,仅基于横截面数据的推断通常无法正确地解释理性代理人面对总的不确定性的决策。我们提出了一个计量经济学框架,克服了这些问题,明确参数化代理的推理问题相对于总冲击。我们的框架和例子说明,模型的横截面和时间序列方面往往是相互依赖的。因此,在存在总体冲击的情况下估计模型参数需要结合使用横截面数据和时间序列数据。我们提供了易于使用的公式,用于检验统计量和置信区间,以说明横截面和时间序列变化之间的相互作用。最后,我们进行蒙特卡罗模拟,突出所提出的方法的属性和风险,不正确的会计存在的总冲击。
2017-06-22 stat.ME
Cross-sectional Dependence in Idiosyncratic Volatility
本文提出高频数据下特质波动率横截面依赖性的偏差校正估计方法与因子模型,应用于S&P 100成分股发现存在强烈横截面依赖且现有因子无法完全解释。
2025-05-07 econ.EM stat.ME
Modelling discrete valued cross sectional time series with observation driven models
本文发展了计算上可行的方法来估计随机效应模型的背景下,回归建模的多个独立的时间序列的离散值计数,其中有序列依赖。给定协变量、随机效应和工艺历史,每个系列中每个时间的观测响应是独立的,并具有指数族分布。我们发展的混合效应模型的极大似然估计使用一个观察驱动的广义线性自回归移动平均规格的序列依赖在每个系列。本文提出了一种易于实现的方法,它使用现有的单一时间序列方法来处理串行相关结构,结合自适应高斯求积来近似似然及其导数所需的回归随机效应上的积分。提出的模型和方法允许扩展现有的混合模型程序的计数数据,将串行依赖,可以在不同的形式和强度在各个系列。该模型的结构与具有随机效应的纵向数据转换模型有一些相似之处。然而,与该设置不同,在该设置中,有许多病例,每个病例的观察值很少到中等,时间序列设置中,每个序列的观察值很多,横截面时间序列的观察值很少到中等。该方法被示出的时间序列的二进制响应的音乐功能从一组听众。
2016-06-09 stat.ME
Estimating HIV Cross-sectional Incidence Using Recency Tests from a Non-representative Sample
本研究针对HIV预防试验中基于近期检测排除个体的非代表性抽样问题,提出统计框架和有效MDRI指标,发现需排除所有近期检测者以消除偏差,并揭示偏差与变异性的权衡。
2024-12-16 stat.ME
A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架,反事实估计因果推断与时间序列横截面数据,其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下,我们讨论了几个新的估计,包括固定效应反事实估计,交互式固定效应反事实估计,矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时,它们提供了比传统的双向固定效应模型更可靠的因果估计。此外,我们提出了一个新的动态处理效应图,以及几个诊断测试,以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法,并在R和Stata中开发了一个开源包fect,以促进实施。
2022-08-14 stat.AP stat.ME
The Rule of link functions on Binomial Regression Model: A Cross Sectional Study on Child Malnutrition, Bangladesh
本研究利用MICS-2019调查数据,在GLM框架下应用logit、probit、cloglog和cauchy等链接函数的二项回归模型分析孟加拉国0-5岁儿童营养不良比例,发现probit模型基于最低标准误差和拟合优度表现最佳。
2024-03-06 stat.ME
Bayesian shape modelling of cross-sectional geological data
形状信息在许多应用中是非常重要的。例如,古河流的地下残留砂体的含油性与其剖面形状有关。因此,对这些形状的分析是有一定意义的,但目前的分类是简单和特设的。在本文中,我们描述了第一个步骤,对这些形状的连贯统计分析得出的综合似然数据形状给定的类参数。其结果的意义超出了这一特定应用。
2018-02-26 stat.AP stat.ME stat.ML
Total Loss Functions for Measuring the Accuracy of Nonnegative Cross-Sectional Predictions
本文在公正性、匿名性和单调性假设下,证明可容许的非负横截面预测总损失函数仅有加性、乘性和受限L型三类,并利用加性与乘性之间的同构关系简化分析,同时证明加性损失函数满足期望效用公理。
2025-07-20 math.ST stat.ME stat.TH
Discussion of "Single and Two-Stage Cross-Sectional and Time Series Benchmarking Procedures for SAE"
我们祝贺作者的一个刺激和有价值的手稿,提供了一个仔细审查的国家的最先进的横截面和时间序列基准程序的小面积估计。他们为分层时间序列模型开发了一种新的两阶段基准方法,通过使用美国人口普查局的数据估计每月总失业率来评估他们的程序。我们讨论三个主题:线性和模型误设,计算复杂性和模型比较,以及实际中小区域估计的一些方面。更具体地说,我们向作者提出了以下问题,他们可能希望回答:他们的模型对错误说明的鲁棒性如何?现在是不是应该抛弃Battese et al. 1988; Fay and Herriot 1979所考虑的那种线性模型了?渐近计算复杂度是多少?与其他模型有什么比较?基准约束应该是固有固定的还是随机的?
2014-05-25 stat.ME stat.OT
Cross Sectional Regression with Cluster Dependence: Inference based on Averaging
本文研究了聚类依赖下传统OLS估计量的不一致性,提出基于数据平均的新估计量$\hatβ_A$,证明其具有一致性、更高效率,并能在经典测量误差下避免使用工具变量。
2025-01-30 stat.ME
Assessing mediation in cross-sectional stepped wedge cluster randomized trials
针对阶梯楔形整群随机试验(SW-CRTs)的中介分析需求,基于线性与广义线性混合模型提出估计自然间接效应与中介比例的新方法,处理暴露时间异质性,并开发R包mediateSWCRT支持实际应用。
2025-04-02 stat.ME
Optimal timing of cross-sectional network samples in longitudinal network studies
在纵向社会网络研究中,当选择横截面网络快照的时间时,对参数估计精度的影响通常起着次要的作用。通常,时间是机会主义的,或由各种考虑因素决定,如组织限制、资金和研究参与者的可用性。指导网络快照时间的理论也缺失了。我们使用一个统计框架,将时间与参数估计的精度相关联,具体地说,是其置信区间的相对宽度之和。我们说明了这一计算使用STERGM套件的statnet包估计的网络动态参数。分析上,我们得出简单的近似的最佳时机时,参数对应于不同的网络事件的速率。我们发现,最佳的时间取决于最短的预期持续时间和预期的事件,如关系的解散的网络过程。我们应用我们的近似一个简单的例子,一个动态网络的形成和溶解的iid纽带。
2016-04-20 q-bio.PE stat.ME
Detecting changes in cross-sectional dependence in multivariate time series
经典的和最近的测试检测分布变化的多元时间序列往往缺乏权力对替代品,涉及变化的横截面依赖结构。为了能够更好地检测这种变化,测试介绍了最近研究的变异的顺序经验copula过程的基础上。与早期的尝试相比,排名是相对于相关子样本计算的,对测试的灵敏度有好处。对于p值的计算,我们提出了一个乘数reservation计划,考虑到串行依赖。建立了检验统计量的大样本理论和检验方案。有限样本的性能的程序进行评估,通过蒙特卡罗模拟。两个案例研究,涉及财务回报的时间序列。
2014-05-21 math.ST stat.ME stat.TH
Sample Design and Cross-sectional Weights for the Brazilian PCSVDF-Mulher Study: Integrating a Refreshment Sample with an Ongoing Longitudinal Wave to Calculate IPV Prevalence
本文针对巴西PCSVDF-Mulher纵向研究,提出整合补充样本与进行中样本的横截面加权方法,用于计算九个首府城市的IPV发生率,揭示了未加权设计会夸大发生率并忽视方差缩减收益的问题。
2024-01-10 stat.AP stat.ME
Loss Functions for Measuring the Accuracy of Nonnegative Cross-Sectional Predictions
针对横截面预测准确性衡量的主观性问题,本文基于中立决策者偏好构建公理化损失函数,给出参数估计与检验方法,扩展至最优加权场景并提出资源配置下的Webster-Saint Lagüe规则,同时构建了偏差度量指标。
2025-07-28 math.ST stat.ME stat.TH
Controlling False Discovery Rates under Cross-Sectional Correlations
New York University(纽约大学);Nomura Asset Management Co.(野村资产管理公司);Temple University(天普大学)
我们考虑控制错误发现率来测试许多具有未知横截面相关结构的时间序列。如果有大量的假设,错误和遗漏的发现可能会困扰分析。虽然已经提出了许多程序来控制错误的发现,他们中的大多数要么假设独立的假设或缺乏统计功效。一个特别令人感兴趣的问题是金融资产定价,其目标是确定哪些“因素”导致大量潜在因素的超额回报。我们的贡献是双重的。首先,我们证明了Fama和French的突出方法在多重检验下的一致性。其次,我们提出了一种新的方法,错误发现控制使用双引导。我们实现了优越的统计功效,现有的方法,并证明了错误发现率的控制。仿真和实际数据的应用表明,我们的方法比现有的方法的有效性。
2021-06-09 cs.AI cs.LG stat.ME
A deep learning pipeline for cross-sectional and longitudinal multiview data integration
University of Minnesota Twin Cities(明尼苏达大学双城分校)
本文提出一种结合统计与深度学习的流水线,用于整合横截面和纵向多视图数据,并通过变量选择、特征提取及联合分类识别与IBD状态相关的关键组学特征。
2023-12-02 cs.LG stat.AP stat.CO
Insights into regression-based cross-temporal forecast reconciliation
本文研究跨时间预测协调中顺序、迭代与最优组合方法的等价及收敛关系,并通过光伏发电预测实验验证其精度与高维计算效率。
2024-10-25 stat.AP stat.CO stat.ME
Conformal Prediction with Temporal Quantile Adjustments
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);MIT(麻省理工学院)
我们开发了时间分位数调整(TQA),一个通用的方法来构建有效的和有效的预测区间(PI)的回归横截面时间序列数据。这种数据在许多领域都很常见,包括计量经济学和医疗保健。医疗保健中的一个典型示例是使用生理时间序列数据预测患者结果,其中患者群体构成横截面。在这种情况下,可靠的PI估计必须解决两个不同的覆盖范围概念:横截面切片的横截面覆盖范围,以及每个时间序列沿时间维度的纵向覆盖范围。最近的工作已经探索了适应共形预测(CP)以在时间序列上下文中获得PI。然而,没有一个国家同时处理这两种覆盖概念。CP方法通常从校准集上的不合格分数分布中查询预先指定的分位数。TQA在每次$t$调整CP中查询的分位数,以理论上有根据的方式考虑横截面和纵向覆盖率。TQA的事后性质便于将其用作任何时间序列回归模型的通用包装器。我们通过大量的实验验证了TQA的性能:TQA通常获得有效的PI,并提高纵向覆盖率,同时保持横截面覆盖率。
2022-05-23 cs.LG stat.ME stat.ML
The Gaussian Graphical Model in Cross-sectional and Time-series Data
University of Amsterdam(阿姆斯特丹大学);University of Edinburgh(爱丁堡大学)
本研究探讨高斯图模型(GGM)在三类心理学数据中的效用,提出对应网络估计方法并在R包中实现,辅以实证示例与补充模拟研究。
2018-02-08 stat.AP stat.ME
A Bayesian approach to uncover local and temporal determinants of heterogeneity in repeated cross-sectional health surveys
本文提出一种贝叶斯多元时间逻辑模型,利用状态空间框架融合个体风险因素与地方外生信息,揭示慢性病诊断中局部与时间异质性,并在意大利PASSI数据上验证其有效性。
2024-11-15 stat.AP stat.ME stat.OT
Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target
University of Pisa(比萨大学)
本文研究共享同一目标的横截面预测,将其分解为对齐与不相关分量,提出谨慎选择规则以消除稀释损失,并在语言模型和机械信号预测中验证,但组合未能胜过无信息预测。
2026-09-23 cs.LG econ.EM q-fin.ST
Missing Values Handling for Machine Learning Portfolios
本文研究了159个收益预测变量的缺失结构,发现用横截面均值简单插补优于复杂的期望最大化方法,因为缺失呈时间块状且横截面相关性低,复杂插补反而引入噪声导致机器学习投资组合表现下降。
2024-01-11 q-fin.GN stat.AP stat.ME
Conformal Prediction Intervals with Temporal Dependence
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
横截面预测在许多领域都很常见,例如医疗保健,包括使用电子健康记录的预测任务,其中不同的患者形成横截面。我们专注于构建有效的预测区间(PI)的任务,在时间序列回归与横截面。如果预测区间以(预先指定的)高概率覆盖真实响应,则认为该预测区间有效。我们首先区分两个概念的有效性在这样的设置:横截面和纵向。横截面有效性关注的是跨时间序列数据横截面的有效性,而纵向有效性考虑的是时间维度。覆盖保证沿这两个方面是理想的,但是,我们表明,分布免费纵向有效性理论上是不可能的。尽管有这样的限制,我们提出了共形预测与时间依赖(CPTD),一个程序,能够保持严格的横截面有效性,同时提高纵向覆盖。CPTD是事后和轻量级的,并且可以很容易地与任何预测模型结合使用,只要校准集可用。我们专注于神经网络,因为它们能够模拟复杂的数据,如诊断代码的时间序列回归,并进行广泛的实验验证,以验证我们的方法的有效性。我们发现,CPTD通过提高纵向覆盖率并经常提供更有效(更窄)的PI,在各种数据集上优于基线。
2022-10-02 cs.LG stat.ME stat.ML
A General Causal Inference Framework for Cross-Sectional Observational Data
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对观测数据去混杂方法中朴素假设的局限,本文提出通用因果推断(GCI)框架,通过有向无环图识别关键混杂协变量并结合去混杂推断,显著提升了因果效应估计的精确性、稳定性和可解释性。
2024-04-28 cs.AI cs.LG stat.ME