Testing Structural Changes in Panel Data with Small Fixed Panel Size and Bootstrap
我们感兴趣的面板数据由中等或相对较大数量的面板组成，而面板包含少量观测。本文建立了测试程序，以检测面板的平均值可能发生的常见变化。为此，我们考虑了一个比率型检验统计量，并在不变原假设下得到了它的渐近分布。此外，我们证明了在替代下的测试的一致性。这种方法的主要优点是观测值的方差既不需要知道也不需要估计。另一方面，需要计算相关结构。为了克服这个问题，提出了一种完全数据驱动的方法，无需任何调优参数的引导技术。证明了自举算法的有效性。作为一个副产品的开发测试，我们介绍了一个共同的断点估计，并证明其一致性。通过仿真研究说明了结果。应用程序的精算数据。
2015-09-03 math.ST stat.TH
Inequality Constrained Minimum Density Power Divergence Estimation in Panel Count Data
本文针对面板计数数据提出一种受不等式约束的稳健最小密度幂散度估计方法，采用序列凸规划求解，并研究其渐近性质，通过调谐参数平衡稳健性与效率，模拟和实例验证了方法的有效性。
2025-10-07 stat.AP stat.ME
Quantile LASSO with changepoints in panel data models applied to option pricing
面板数据是一种现代统计工具，在各种规律性假设下被广泛应用于各种计量经济问题。引入了带变点的面板数据模型和原子追踪方法，并将其应用于标的期权价格函数的估计。通过采用分位数LASSO方法，实现了对数据的稳健估计和复杂洞察。最终模型仅需一个建模步骤即可以完全数据驱动的方式生成。此外，通过引入一组定义良好的线性约束，得到了无仲裁的场景。在一些合理的假设下，最终估计与模型估计和变点检测性能一致。有限样本的性质进行了研究，在模拟研究和建议的方法适用于苹果看涨期权定价问题。
2019-09-23 math.ST stat.TH
Varying Coefficient Panel Data Model with Interactive Fixed Effects
在本文中，我们提出了一个变系数面板数据模型，不可观察的多个相互作用的固定效应，与回归相关。我们用B样条逼近每个系数函数，并提出了一种基于最小二乘法的鲁棒非线性迭代方法来估计感兴趣的系数函数。在一定的正则性假设下，我们建立了估计量的渐近理论，包括相合性、收敛速度和渐近分布。此外，我们发展了一种最小二乘虚拟变量方法来研究所提出的模型的一个重要特例：具有可加性固定效应的变系数面板数据模型。为了构造系数函数的逐点置信区间，提出了一种基于残差的块自助方法，以减少计算量并避免累积误差。仿真研究和实际数据分析也进行了评估我们所提出的方法的性能。
2018-03-07 stat.ME
Estimation of the time of change in panel data
本文研究了当面板数据之间存在公共因子形式的相关性时，面板数据的均值参数变化的公共时间的估计问题。提出了一种新的估计量，并建立了一阶和二阶渐近性，可用于导出变化时间的一致置信区间。我们的研究结果在两个主要方向上改进了现有的理论。首先，我们对模型误差施加的条件只与它们的长期矩的顺序有关，因此我们的结果适用于几乎所有感兴趣的平稳时间序列模型，包括非线性时间序列，如Gesthem和Gesthem过程。其次，我们研究了估计量的渐近分布和赋范序列如何依赖于每个面板的变化幅度和公共因子载荷。我们的结果在有限样本的性能证明与蒙特卡洛模拟研究，我们考虑应用到两个真实的数据集：23种货币的汇率相对于美元，和人均国内生产总值在113个国家。
2015-03-15 math.ST stat.TH
From Control to Treatment: Causal Forecasting Beyond the Observed Panel
USC Marshall（南加州大学马歇尔商学院）
针对面板数据中未经历干预的目标单元的未来结果预测问题，提出双向合成预测（TWSF）方法，结合合成控制与时间序列外推，给出有限样本误差界和渐近正态性，并通过NFL体育场开放案例验证。
2026-09-02 econ.EM stat.ME
Change Point in Panel Data with Small Fixed Panel Size: Ratio and Non-Ratio Test Statistics
主要目标是开发，因此，比较随机方法检测面板数据的结构变化是否发生在一些未知的时间或没有。我们感兴趣的面板数据由中等或相对较大数量的面板组成，而面板包含少量观测。建立了检测面板平均值可能发生的常见变化的检测程序。考虑了比率和非比率型检验统计量。在无变化原假设下，导出了它们的渐近分布.此外，我们证明了替代下的测试的一致性。与非比率统计量相比，比率型统计量的主要优点是观测值的方差既不需要已知也不需要估计。模拟研究表明，建议的比率统计量优于非比率统计量，主要是当考虑到面板内更强的依赖性时，保持显著性水平在空值以下。然而，非比率统计在模拟中比它应该的更频繁地拒绝空值，这与比率统计相比产生更高的功率。
2016-08-19 math.ST stat.AP stat.ME
Regression Analysis of Ordinal Panel Count Data in Recurrent Medication Non-adherence
针对序数面板计数数据缺乏标准分析方法的问题，提出半参数比例强度模型及基于单调样条的最大筛似然估计，在模拟和抑郁症临床试验中验证了其有效性与稳健性。
2025-05-28 stat.ME
Panel semiparametric quantile regression neural network for electricity consumption forecasting
Institute of Statistics and Data Science, Nanjing Audit University（南京审计大学统计与数据科学学院）
在长期深化改革开放的过程中，我国电力工业取得了巨大成就。然而，由于我国区域经济、社会和自然条件复杂，电力资源分布不均，造成我国部分地区缺电。因此，需要建立一个可靠的电力预测模型。在此基础上，本文将人工神经网络与半参数分位数回归相结合，提出了一种面板半参数分位数回归神经网络（PSQRNN）。PSQRNN可以探索变量之间潜在的线性和非线性关系，解释未观察到的省级异质性，同时保持参数模型的可解释性。将惩罚分位数回归与LASSO、岭回归和反向传播算法相结合训练PSQRNN。为了评估预测精度，基于3种情景对1999 - 2018年中国各省用电量进行了实证分析。结果表明，PSQRNN模型在考虑经济和气候因素的情况下，能够更好地预测电力消费量。最后，通过预测，给出了未来$5$年（2019-2023年）中国各省用电量。
2021-03-01 cs.LG econ.EM stat.ML
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
Change Point Estimation in Panel Data with Temporal and Cross-sectional Dependence
我们研究了基于均值漂移模型的大样本数据中的公共变点检测问题，其中误差表现出时间和横截面的依赖性。基于最小二乘法的程序被用来估计的位置的变化点。进一步，我们建立了最小二乘估计的收敛速度和渐近分布。分布的形式由变点前后均值的范数差的行为决定。由于这种规范差异的行为是，先验，未知的从业者，我们还开发了一种新的数据驱动的自适应程序，提供有效的置信区间的共同变化点，而不需要任何这样的知识。基于合成数据的数值计算表明，在不同的时间和横截面依赖性，样本量和面板数量的设置下，在有限样本的估计性能。最后，我们研究了金融股票数据的应用程序，并讨论了确定的变化点。
2019-04-25 math.ST stat.ME stat.TH
Common change point estimation in panel data from the least squares and maximum likelihood viewpoints
本文建立了面板数据模型中最小二乘和极大似然方法得到的突变点估计的收敛速度和渐近分布，并比较了它们的渐近方差。我们的模型假设适应了各种常见的概率分布，特别是，在计量经济学中特别感兴趣的模型超出了通常分析的高斯模型，包括零膨胀泊松模型计数数据，概率和tobit模型。我们还提供了新的结果，在信号加噪声模型中的不定常的数据，重点是广泛的噪声过程，包括高斯过程，MA $(\infty)$和$m$依赖的过程。结果表明，与最小二乘估计相比，极大似然估计需要更强的信噪比模型可辨识性条件。最后，由于有三个不同的渐近制度，依赖于行为的规范差异的模型参数之前和之后的变化点，这不能现实地假设是已知的，我们开发了一种新的数据驱动的自适应程序，提供有效的置信区间的共同突破，而不需要先验知识的渐近制度的问题属于。
2017-08-19 math.ST stat.TH
Panel data segmentation under finite time horizon
研究了面板数据均值常见变化的非参数变化点估计。当样本组数趋于无穷大但样本量仍然有限时，研究了估计值的一致性。我们的重点是加权去噪估计，涉及组融合LASSO，并在加权MANUUM估计。由于固定的样本量，常见的加权方案不能保证（序列）相关性下的一致性，大多数典型的加权甚至不能提供i.i.d.的一致性。当噪音太大的时候。因此，一方面，我们提出了一个一致的协方差为基础的扩展现有的加权方案，并讨论这些加权方案的直接估计。性能将在模拟研究中以经验证明。另一方面，我们推导出锐界的变化噪声比，确保一致性的i.i.d.设置为经典权重。
2015-10-20 math.ST 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
A Wavelet Method for Panel Models with Jump Discontinuities in the Parameters
虽然单变量时间序列的结构突变点分析存在大量的文献，大型面板数据模型的研究还没有广泛的。本文提出了一种新的多结构变化面板模型参数估计方法。允许突变发生在未知的时间点，并且可能单独影响多变量斜率参数。我们的方法适应Haar小波的观测变量的结构，以检测参数的变化点一致。我们还开发了在我们的建模框架内解决内生回归的方法。我们的估计量的渐近性质建立。在我们的应用程序中，我们研究了算法交易对市场质量标准指标的影响，例如流动性和波动性，涵盖了2007年开始的金融危机。我们能够自动检测回归斜率参数的跳跃，而无需使用特设子样本选择标准。
2021-09-22 econ.EM math.ST stat.TH
A Weighted Regression Approach to Break-Point Detection in Panel Data
North-West University（西北大学）
本文提出了一种加权回归方法，用于检测面板数据中横截面均值的变化，通过估计干扰参数并构造检验统计量，适用于弱和强横截面依赖情况。
2025-12-01 math.ST stat.ME stat.TH
Uniform Inference in High-dimensional Dynamic Panel Data Models
在高维固定效应动态面板数据模型中，我们建立了一个版本的Lasso的预言不等式。这些不等式对动态和外生回归变量的系数均成立。单独的预言不等式推导出的固定效果。接下来，我们将展示如何进行一致有效的模型参数的同时推断，并构造一个一致有效的估计的渐近协方差阵，这是强大的条件异方差的误差项。允许条件异方差在动态模型中很重要，因为条件误差方差可能随时间而变化，并取决于协变量。此外，我们的程序允许增加基数的参数向量的高维子集上的推理。我们表明，从我们的过程中产生的置信带是渐近诚实的，并在最佳速率的合同。固定效应的该比率与参数向量其余部分的比率不同。
2016-01-04 math.ST stat.ME stat.TH
Estimation and inference for linear panel data models under misspecification when both $n$ and $T$ are large
本文考虑了当个体数$n$和时间段数$T$都很大时，线性面板数据模型在可能的模型误设定下的固定效应估计.我们首先澄清FE估计的概率极限，并认为这个概率极限可以被视为一个伪真参数。然后，我们建立了渐近分布性质的FE估计周围的伪真参数时，$n$和$T$共同走向无穷大。值得注意的是，我们表明，FE估计遭受的附带参数偏差的最高阶是$O(T^{-1})$，即使在附带参数偏差被完全删除后，FE估计的收敛速率取决于模型误设的程度，要么是$(nT)^{-1/2}$或$n^{-1/2}$。其次，我们建立了渐近有效的推断（伪真）参数。具体来说，我们推导出了集群协方差阵（CCM）估计量和截面自助法的渐进性质，并表明它们对模型误设定具有鲁棒性。这为当模型误设定和偶然参数偏差（在系数估计中）存在时使用CCM估计和截面引导建立了严格的理论基础。我们进行蒙特卡罗模拟，以评估有限样本的估计和推理方法的性能，连同一个简单的应用程序，在美国的失业动态。
2014-03-11 math.ST stat.TH
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
