Matrix Completion Methods for Causal Panel Data Models
在本文中，我们研究的方法，估计因果关系的设置与面板数据，其中一些单位暴露于治疗在某些时期，目标是估计反事实（未治疗）的结果为治疗单位/时期组合。我们提出了一类矩阵完成估计，使用观察到的控制结果矩阵的元素对应于未处理的单位/期间，插补的控制结果矩阵的“丢失”的元素，对应于处理的单位/期间。这导致一个矩阵，很好地近似原始（不完整）矩阵，但根据矩阵的核范数具有较低的复杂性。我们概括的矩阵完成文学的结果，让缺失数据的模式有一个时间序列的依赖结构，这是常见的社会科学应用。我们提出了新的见解矩阵完成文学，文学互动的固定效应模型和文学节目评估unconfoundness和综合控制方法之间的联系。我们表明，所有这些估计可以被看作是集中在同一个目标函数。它们的区别仅仅在于它们处理识别的方式，在某些情况下仅仅通过正则化（我们提出的核范数矩阵完备估计器），在其他情况下主要通过施加硬限制（无混淆性和综合控制方法）。所提出的方法优于unconfoundness为基础的或合成的控制估计器在基于真实数据的仿真。
2022-04-21 econ.EM math.ST stat.TH
Estimation of Dynamic Mixed Double Factors Model in High Dimensional Panel Data
本文的目的是发展面板数据分析中个体数和指标数都很大时的降维技术。我们采用主成分分析（PCA）方法，在因子模型中用少数公因子来代表大量的指标。本文提出了动态混合双因子模型（Dynamic Mixed Double Factor Model，简称DMDFM）来反映因子结构相互作用下的截面和时间序列的相关性。DMDFM不仅降低了指标的维数，而且考虑了时间序列和横截面的混合效应。与其他模型不同的是，混合因子模型有两种类型的公因子。回归因子反映了共同趋势，降低了维数，误差因子反映了个体间的差异和弱相关。蒙特卡罗模拟的结果表明，广义矩量法（GMM）估计具有良好的无偏性和相合性。仿真结果也表明，DMDFM可以有效地提高模型的预测能力。
2017-01-07 stat.ME
Robust Density Power Divergence Estimates for Panel Data Models
面板数据回归模型已成为社会科学、行为科学、环境科学和计量经济学等不同研究领域中应用最广泛的统计方法之一。然而，传统的基于最小二乘的技术经常被用于面板数据模型，容易受到数据污染或离群观测的不利影响，这可能导致有偏的和低效的估计和误导性的统计推断。在这项研究中，我们提出了一个最小密度功率发散估计程序面板数据回归模型与随机效应，以实现对离群值的鲁棒性。稳健性，以及所提出的估计的渐近性质，严格建立。所提出的方法的有限样本特性进行了研究，通过广泛的模拟研究和应用在阿曼的气候数据。我们的研究结果表明，所提出的估计表现出改善的性能比一些传统的和强大的方法存在的数据污染。
2021-08-05 math.ST stat.ME stat.TH
Machine Learning Panel Data Regressions with Heavy-tailed Dependent Data: Theory and Application
本文介绍了结构化机器学习回归的重尾相关的面板数据可能在不同的频率采样。我们专注于稀疏群LASSO正则化。这种类型的正则化可以利用混合频率时间序列面板数据结构并提高估计的质量。我们得到了合并和固定效应稀疏组LASSO面板数据估计的预言不等式，认识到金融和经济数据可以有胖尾巴。为此，我们利用一个新的N-Nagaev浓度不等式的面板数据组成的重尾$τ$混合过程。
2021-11-22 econ.EM math.ST stat.AP
Panel Data Models with Nonadditive Unobserved Heterogeneity: Estimation and Inference
本文研究了具有随机系数和内生回归变量的线性和非线性面板数据模型的固定效应估计和推断。感兴趣的数量--均值、方差和随机系数的其他矩--通过分别应用于每个个体的时间序列的GMM估计器的横截面样本矩来估计。为了处理由短样本中个体内估计的噪声引入的偶然参数问题，我们发展了偏差校正。这些修正是基于高阶渐近展开的GMM估计，并产生改进的点和区间估计在中等长的面板。在面板的横截面和时间序列维度以相同的速率传递到无穷大的渐近序列下，未校正估计量具有与渐近方差相同阶的渐近偏差。偏差校正在不增加方差的情况下消除偏差。根据Becker、Grossman和Murphy（1994）的一个关于卷烟需求的实证例子，美国各州的价格效应存在显著的异质性。
2013-10-11 econ.EM math.ST stat.AP
Parameter-Specific Bias Diagnostics in Random-Effects Panel Data Models
本文提出了一种用于随机效应面板数据模型的参数特定偏差诊断方法，通过提供有限样本偏差估计和p值，补充Hausman检验并提升模型诊断能力。
2026-10-22 stat.ME
Statistical Inference on Panel Data Models: A Kernel Ridge Regression Method
在核岭回归框架下提出了交互固定效应面板数据模型的统计推断方法，与传统的筛法相比，该方法不需要选择基函数和截断参数，模型复杂性由一个连续的正则化参数控制，该参数可以通过广义交叉验证自动选择.基于经验过程理论和泛函分析工具，我们得到了非均匀背景下估计量的联合渐近分布。这些联合渐近的结果，然后使用构造置信区间的回归平均值和预测区间的未来的观察，都是第一个可证明的有效区间在文献中。在齐次背景下，得到了函数估计的边缘渐近正态性。仿真和实际数据分析证明了该方法的优越性。
2017-03-08 math.ST stat.TH
Change Point Estimation in Panel Data with Time-Varying Individual Effects
本文提出了一种基于普通最小二乘法（OLS）估计个体效应不可观测的面板数据模型中多个变点的方法。通常，在此设置中，由于未观察到的个体效应偏倚，OLS斜率估计量不一致。因此，现有的方法通过数据转换，如一阶差分，在变点估计之前去除个体效应。我们证明了在合理的假设下，未观察到的个体效应偏差对变点的一致性估计没有影响。我们的模拟表明，由于我们的方法在变点估计之前不会消除数据集中的任何变化，因此与一阶差分方法相比，它在小样本中的表现更好。我们专注于短面板，因为它们在实践中常用，并允许未观察到的个体效应随时间变化。我们的方法是通过两个应用程序：环境库兹涅茨曲线和美国房价预期后，金融危机。
2018-08-09 econ.EM stat.AP
Individual and Time Effects in Nonlinear Panel Models with Large N, T
本文给出了具有个体效应和时间效应的非线性面板数据模型中参数和平均部分效应的固定效应估计。它们涵盖了logit，probit，ordered probit，Poisson和Tobit模型，这些模型对于微观和宏观经济学中的许多经验应用都很重要。我们的估计使用分析和刀切偏差校正来处理附带的参数问题，并且在$N/T$收敛到一个常数的渐近序列下是渐近无偏的。我们开发的推理方法，并表明它们在数值例子中表现良好。
2018-12-18 econ.EM stat.ME
Nonparametric Identification in Panels using Quantiles
本文研究了具有时间齐性的不可分面板模型中连续回归变量的CeterisParibus效应的识别和估计。兴趣效应是模型的平均值和分位数结构函数的导数。我们发现，这些衍生工具被确定为两个时间段的“逗留者”，即个人在两个时间段具有相同的回归值。我们表明，识别结果结转到模型，允许位置和规模的时间效应。我们提出了非参数序列方法和加权自助法来估计和推断所确定的效果。提出的引导允许统一推断的功能值的参数，如分位数的影响，均匀的分位数指数和/或回归值的区域。恩格尔曲线估计面板数据的实证应用说明了结果。
2014-08-05 econ.EM stat.ME
Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
University of Notre Dame（内布拉斯加大学）
本文提出协变量调整深度因果学习（CoDEAL），结合非线性协变量组件与多输出自编码器因子结构，以估计面板数据中的异质性处理效应，并通过矩阵补全实现反事实插补，理论保证收敛且实证表现优异。
2025-05-26 cs.LG econ.EM stat.ME
Mastering Panel 'Metrics: Causal Impact of Democracy on Growth
民主与经济增长之间的关系是人们长期关心的问题。我们重新审视了Acemoglu、Naidu、Restrepo和Robinson（即将出版）使用最先进的计量经济学方法对这种关系进行的面板数据分析。我们认为，这和许多其他面板数据设置在经济学中实际上是高维的，导致主要估计-固定效应（FE）和Arellano-Bond（AB）估计-是有偏见的程度，使统计推断无效。然而，我们可以通过使用简单的分析和样本分割方法来消除这些偏差，从而恢复有效的统计推断。我们发现，去偏的FE和AB估计产生了更高的估计民主对经济增长的长期影响，为Acemoglu，Naidu，Restrepo和Robinson（即将出版）的关键假设提供了更强有力的支持。鉴于面板数据的普遍存在的性质，我们得出结论，使用去偏面板数据估计应该大大提高经济学中的经验推理的质量。
2019-01-12 econ.EM stat.ME
Assessing the Effects of Macroeconomic Variables on Child Mortality in D-8 Countries Using Panel Data Analysis
The Islamia University of Bahawalpur（巴哈瓦尔布尔伊斯兰大学）；Ravensbourne University（拉文斯伯恩大学）；University College London（伦敦大学学院）
本研究通过面板数据分析D-8国家宏观经济变量对儿童死亡率的影响，发现教育和卫生支出及人均GNI与儿童死亡率存在负相关，从而对MDG4目标提出质疑。
2026-01-04 econ.TH stat.AP stat.OT
Data Driven Robust Estimation Methods for Fixed Effects Panel Data Models
面板数据回归模型在不同的研究领域得到了越来越多的关注，包括但不限于计量经济学，环境科学，流行病学，行为和社会科学。然而，面板数据中离群观测值的存在往往会导致模型参数的有偏估计和效率低下，从而在应用最小二乘（LS）方法时导致不可靠的推断。我们提出了扩展的M-估计方法与数据驱动的调整参数的选择，以实现理想的水平的鲁棒性对离群值，而不损失估计效率。在较弱的正则条件下，证明了估计量的相合性和渐近正态性。通过广泛的模拟研究和宏观经济数据的应用程序，现有的和拟议的稳健估计的有限样本特性进行了检查。我们的研究结果表明，所提出的方法往往表现出改善的估计和预测性能的存在离群值和传统的LS方法时，没有污染是一致的。
2020-11-22 stat.ME
Functional effects models: Accounting for preference heterogeneity in panel data with machine learning
Department of Civil, Environmental and Geomatic Engineering, University College London（土木、环境与测绘工程系，伦敦大学学院）
本文提出函数效应模型，利用梯度提升决策树和深度神经网络从社会人口特征中学习个体特定偏好参数，以解决面板选择数据中的个体异质性问题，并在合成实验和真实面板数据上验证其优于传统固定/随机效应模型及现有机器学习选择模型。
2025-09-22 cs.LG econ.EM stat.ME
xtdml: Double Machine Learning Estimation to Static Panel Data Models with Fixed Effects in R
Institute for Social and Economic Research, University of Essex（社会经济研究所，埃塞克斯大学）
xtdml包通过双重机器学习方法处理具有固定效应的面板数据模型，提供非必要函数学习、未观测异质性处理及协变量变换功能，适用于高维混淆变量的回归分析。
2025-12-17 econ.EM stat.ME stat.ML
Spectral and post-spectral estimators for grouped panel data models
本文研究了分组面板数据模型的谱估计和后谱估计。两个估计量在观测数$N$和时间段数$T$同时变大的渐近性方面是一致的。此外，后谱估计量是$\sqrt{NT}$ -一致的，并且在良好分离的组的假设下，即使$T$的增长速度比$N$慢得多，平均值为零，也是渐近正态的。因此，后谱估计量具有与Bonhomme和Manresa（2015）开发的分组固定效应估计量相当的理论性质。然而，与分组固定效应估计相比，我们的后谱估计在计算上是简单的。
2022-12-29 econ.EM stat.AP
Robust Inference in Panel Data Models: Some Effects of Heteroskedasticity and Leveraged Data in Small Samples
针对面板数据中小样本、异方差和良好杠杆点并存的问题，提出方差-协方差矩阵混合估计量，通过蒙特卡洛模拟证明保守方差估计量优于传统标准误且HC标准误表现优异。
2023-12-29 econ.EM stat.CO
Optimal Shrinkage Estimation of Fixed Effects in Linear Panel Data Models
针对现有收缩估计量需强分布假设才能提升精度的问题，提出无需分布假设、在一类收缩估计量中均方误差最优的固定效应估计量，支持时变与序列相关固定效应，还给出了提前一期的预测方法。
2025-09-05 econ.EM stat.ME
Estimating Semi-parametric Panel Multinomial Choice Models using Cyclic Monotonicity
本文提出了一种新的半参数识别和估计方法，在面板数据设置与个人固定效应的多项选择模型。我们的方法是基于循环单调性，这是一个定义功能的随机效用框架下的多项式选择模型。从循环单调性的性质，我们得到识别不等式，而不需要任何形状限制的随机效用冲击的分布。这些不等式指出在对协变量的直接假设下识别模型参数。基于这些不等式，我们提出了一个相合估计量.
2016-04-20 stat.ME
Simultaneous Confidence Band for Partially Linear Panel Data Models with Fixed Effects
本文构造了具有固定效应的部分线性面板数据模型中非参数分量的联合置信带。我们去掉了固定效应，进一步得到了参数和非参数分量的估计，它们不依赖于固定效应。在适当的条件下，我们建立了非参数分量与真实非参数分量的最大绝对偏差的渐近分布，从而可用于构造非参数分量的联合置信带.基于渐近分布，同时置信带的构造变得困难。这是因为渐近分布涉及到渐近偏差和条件方差的估计量，以及估计非参数函数二阶导数时带宽的选择。显然，这些将导致计算负担和累积误差。为了克服这些问题，我们提出了一个Bootstrap方法来构建同时置信带。仿真结果表明，在有限样本条件下，Bootstrap方法具有更好的性能.
2017-01-20 stat.ME
Dynamic Spatial Panel Models: Networks, Common Shocks, and Sequential Exogeneity
本文考虑了一般动态面板模型的一类GMM估计，考虑了弱外生协变量和横截面依赖，由于空间滞后，未指定的共同冲击和随时间变化的相互作用的影响。我们显着扩大了现有文献的范围，允许内生空间权重矩阵，而不施加任何限制如何产生的权重。一个重要的应用领域是在社会互动和网络模型，我们的规范可以适应数据依赖的网络形成。我们考虑一个示例性的社会互动模型，并显示如何识别的相互作用参数是通过线性和二次矩条件的组合来实现的。对于一般的设置，我们开发了一个正交的差分变换，以帮助在估计的因素成分，同时保持正交性的时刻条件。这是一个重要的成分，我们的估计量的一个易于处理的渐近分布。在一般情况下，我们的估计量的渐近分布被发现是混合正常的随机赋范。然而，我们的检验统计量的渐近分布仍然是卡方。
2018-02-06 math.ST stat.TH
Statistical Inferences Using Large Estimated Covariances for Panel Data and Factor Models
虽然大多数文献中关于高维协方差阵的收敛性结果关注估计协方差阵（和精度矩阵）的准确性，但相对较少了解估计大协方差对统计推断的影响。我们研究两个重要的模型：因子分析和交互效应的面板数据模型，重点研究了基于大协方差估计的结构参数的统计推断和估计效率。为了有效地估计，这两个模型都需要加权主成分（WPC），它依赖于一个高维的权重矩阵。本文使用Fan et al.（2013）的协方差阵估计量导出了一个有效可行的WPC。然而，我们证明了现有的结果大协方差估计的基础上绝对收敛是不适合的统计推断的结构参数。所需要的是一些加权的一致性和相关的收敛速率，这是本文得到的。最后，将该方法应用于美国离婚率数据。我们发现，有效的WPC识别离婚率的离婚法改革的显着影响，它提供了更准确的估计和更严格的置信区间比现有的方法。
2013-11-12 math.ST stat.TH
Uniformly Valid Inference Under Interactive and High-Dimensional Constraints
Rutgers University（罗格斯大学）
本文针对极值估计量在参数边界处渐近正态性失效问题，提出适用于高维交互约束的拟无约束估计量检验方法，将其应用于面板数据网络估计，实现一致有效推断。
2026-08-25 econ.EM math.ST stat.TH
Estimation for Dynamic and Static Panel Probit Models with Large Individual Effects
对于离散面板数据，连续观测值之间的动态关系往往是感兴趣的。我们考虑了一个短面板数据的动态概率单位模型。估计感兴趣的动态参数的问题在于模型包含大量的讨厌参数，每个个体一个。Heckman建议使用动态参数的极大似然估计，然而，如果个体效应很大，则该估计效果不佳。我们建议新的估计的动态参数，基于假设的个人参数是随机的，可能很大。我们的估计的理论性质推导和模拟研究表明，他们有一些优势相比，Heckman的估计。
2014-09-27 math.ST stat.ME stat.TH
Panel Experiments and Dynamic Causal Effects: A Finite Population Perspective
在小组实验中，我们随机分配单元到不同的干预措施，测量其结果，并在几个时期重复该过程。使用潜在的结果框架，我们定义有限的人口动态因果效应，捕获替代治疗路径的相对有效性。对于一类丰富的动态因果效应，我们提供了一个非参数估计，是无偏的随机化分布，并得出其有限的人口极限分布无论是样本量或持续时间的实验增加。我们开发了两种推理方法：弱零假设的保守检验和尖锐零假设的精确随机化检验。进一步分析了线性固定效应估计的有限总体概率极限。这些常用的估计不恢复因果可解释的估计，如果有动态因果效应和序列相关的任务，突出了我们提出的估计的价值。
2021-05-27 math.ST stat.ME stat.TH
Robust Priors in Nonlinear Panel Models with Individual and Time Effects
Institute for Economic and Social Research, Jinan University（暨南大学经济社会研究院）；School of Economics, Shanghai University of Finance and Economics（上海财经大学经济学院）；Department of Economics, University of Warwick（华威大学经济学系）；College of Economics and Management, South China Agricultural University（华南农业大学经济管理学院）；Department of Economics, Boston University（波士顿大学经济学系）
本文提出基于似然的偏倚减少方法，用于具有加性个体和时间效应的非线性面板模型，通过稀疏高阶导数结构构建可 tractable 近似，实现对共同参数和固定效应的偏倚减少。
2026-04-04 econ.EM math.ST stat.TH
Further results on the estimation of dynamic panel logit models with fixed effects
Kitazawa (2013, 2016) showed that the common parameters in the panel logit AR(1) model with strictly exogenous covariates and fixed effects are estimable at the root-n rate using the Generalized Method of Moments . Honoré and Weidner (2020) extended his results in various directions: they found additional moment conditions for the logit AR(1) model and also considered estimation of logit AR(p) models with p>1. In this note we prove a conjecture in their paper and show that for given values of the initial condition, the covariates and the common parameters 2^{T}-2T of their moment functions for…
2023-02-03 econ.EM math.ST stat.TH
On the Unbiased Asymptotic Normality of Quantile Regression with Fixed Effects
具有固定个体效应的非线性面板数据模型为描述微观计量经济学数据提供了一套重要的工具。在一大类这样的模型中（包括概率单位、比例风险和分位数回归，仅举几例），不可能区分出个体效应，推断通常在“大n大T”渐近框架中是合理的。然而，目前在平滑评分函数（如概率单位和比例风险）和分位数回归模型中施加的假设类型存在相当大的差距。在本文中，我们表明，这一差距可以被弥合，并建立渐近无偏正态的分位数回归面板的n，T的条件下，是非常接近通常假设在标准的非线性面板。我们的结果大大改进了现有的理论，并表明，分位数回归适用于相同类型的面板数据（在n，T）作为其他常用的非线性面板数据模型。数值实验证实了我们的理论研究结果。
2020-02-06 econ.EM math.ST stat.TH
The impact of a Hausman pretest, applied to panel data, on the coverage probability of confidence intervals
在包含时变协变量的面板数据分析中，通常使用Hausman预检验来决定后续推断是使用随机效应模型还是固定效应模型。我们考虑了这个预检验对斜率参数的置信区间的覆盖概率的影响。我们证明了三个新的有限样本定理，使得它很容易评估，对于各种各样的情况下，豪斯曼预检验的最小覆盖概率的置信区间的效果。我们的研究结果表明，对于应用中常用的Hausman预检验的小显著性水平，斜率参数的置信区间的最小覆盖概率可以远低于标称值。
2015-01-28 math.ST stat.ME stat.TH
Average and Quantile Effects in Nonseparable Panel Models
不可分离面板模型在各种经济环境中都很重要，包括离散选择。本文给出了在时间齐性条件下，如“时间是随机分配的”或“时间是一种工具”的不可分模型的辨识和估计结果。“在静态或动态条件下，在完全非参数模型和半参数模型中，在具有时间效应的离散回归量中，给出了平均和分位数效应的部分识别结果。证明了通常的线性固定效应估计量不是已确定平均效应的相合估计量，并给出了一个相合估计量。给出了一个简单的分位数处理效应估计量，解决了从面板数据中估计分位数处理效应的重要问题。给出了静态和动态模型中的总体效应的界。动态边界提供了一个部分识别解决方案的重要问题，估计的影响，状态依赖的存在下不可观测的异质性。随着$T$的增长，通过推导识别集的收缩率来显示$T$的影响，即时间段的数量。我们还考虑了半参数，离散选择模型，并发现半参数面板边界可以比非参数边界更紧。提出了计算方便的半参数模型方法。我们提出了一种新的推理方法，适用于面板数据和其他设置，并表明它产生一致有效的置信区域在大样本。我们给出了经验性的例证。
2013-03-26 econ.EM math.ST stat.AP
