Panel Data Quantile Regression for Treatment Effect Models
在这项研究中,我们开发了一种新的估计方法的分位数处理效应(QTE)的秩不变和秩平稳性假设。Ishihara(2020)在这些假设下探索了不可分离面板数据模型的识别,并提出了基于最小距离方法的参数估计。然而,当协变量的维数很大时,使用该过程的最小距离估计在计算上要求很高。为了克服这个问题,我们提出了一个两步估计方法的基础上的分位数回归和最小距离方法。然后,我们展示了我们的估计的一致渐近性质和非参数自助的有效性。蒙特卡罗研究表明,我们的估计在有限样本表现良好。最后,我们提出了两个实证说明,估计分配效果的保险提供对家庭生产和电视观看对儿童认知发展。
2021-11-17 econ.EM stat.ME
Low-Rank Estimation of Nonlinear Panel Data Models
Yale(耶鲁大学)
本文提出了一种用于非线性面板数据模型的低秩估计方法,通过两步估计程序结合核范数正则化和迭代推断,有效确定因素数量并估计模型参数。
2026-07-31 econ.EM
Identification and Estimation in a Nonseparable Instrumental Variable Model with Multivariate Outcomes
Hitotsubashi University(一桥大学)
针对多元结果中分别估计IVQR模型忽略跨方程相关性的问题,本文提出容纳多元不可观测异质性的非线性工具变量模型,并证明在离散处理与工具变量且正相关足够强时结构函数可局部识别。
2026-09-29 econ.EM math.ST stat.TH
Low-rank Panel Quantile Regression: Estimation and Inference
在本文中,我们提出了一类低秩面板分位数回归模型,允许不可观察的斜率异质性的个人和时间。我们估计的异质截距和斜率矩阵通过核范数正则化,然后通过样本分裂,行和列的分位数回归和去偏。我们证明了与截距和斜率矩阵相关的因子和因子载荷的估计量是渐近正态分布的。此外,我们开发了两个规格测试:一个零假设的斜率系数是一个常数随着时间和/或个人的情况下,真实的秩的斜率矩阵等于1,和其他的零假设的斜率系数的情况下,真实的秩的斜率矩阵等于2的情况下,表现出一个加性结构。我们通过蒙特卡罗模拟和真实数据集说明了估计和推断的有限样本性能。
2022-10-20 econ.EM stat.ME
Global Persistence, Local Residual Structure: Forecasting Heterogeneous Investment Panels
本文提出双阶段架构,通过全局池化AR(1)和局部模型处理残差动态,提升异质性投资面板预测效果,发现数据类型异质性是关键条件。
2026-04-10 econ.EM q-fin.PM q-fin.ST
High Dimensional Latent Panel Quantile Regression with an Application to Asset Pricing
我们提出了一个线性面板分位数回归模型的推广,以适应\textit{sparse}和\textit{dense}部分:稀疏的意思,而可用的协变量的数量是大的,可能只有一个小得多的数量对每个条件分位数的响应变量有非零的影响,而密集的部分是由一个低秩矩阵,可以近似的潜在因素及其负载。这种结构对传统稀疏估计器(例如$\ell_1$惩罚分位数回归)和传统潜在因子估计器(例如PCA)造成问题。我们提出了一个新的估计过程,ADMM算法的基础上,由分位数损失函数与$\ell_1$ \textit{and}核范数正则化相结合。我们表明,在一般条件下,我们的估计可以一致估计的非零系数的协变量和潜在的低秩矩阵。我们提出的模型具有“特征+潜在因素”的资产定价模型解释:我们将我们的模型和估计量应用于一个大维度的金融数据面板,并发现(i)一旦潜在因素得到控制,特征具有更稀疏的预测能力(ii)上分位数和下分位数的因子和系数与中位数不同。
2022-08-23 econ.EM math.ST stat.ME
Heterogeneous Treatment Effects in Panel Data
Sloan School of Management(斯隆管理学院);Massachusetts Institute of Technology(麻省理工学院);Harvard Business School(哈佛商学院)
本文提出一种结合回归树聚类与面板数据低秩结构的新方法,用于估计异质性处理效应,理论证明其收敛性,并在半合成数据上验证了其优于替代方法的精度与可解释性。
2024-06-09 cs.LG econ.EM stat.ML
Quantile Factor Models
分位数因子模型(Quantile Factor Models,QFM)是一种新的高维面板数据因子模型。与近似因子模型(AFM)不同,在AFM中,只能提取位置偏移因子,QFM还允许恢复未观察到的因子,这些因子偏移了观察变量分布的其他相关部分。一个分位数回归的方法,标记为分位数因子分析(QFA),提出了一致的估计所有的分位数依赖的因素和负载。他们的渐近分布,然后使用核平滑版本的QFA估计。两个一致的模型选择标准,基于信息准则和秩最小化,开发,以确定在每个分位数的因素的数量。此外,与AFM中使用主成分分析所需的条件相反,QFA估计即使在特质误差具有重尾分布时仍然有效。三个实证应用(关于宏观经济、气候和金融面板数据)提供的证据表明,在实践中,除均值外,还有其他因素会改变分位数。
2020-09-23 econ.EM
Tensor PCA for Factor Models
针对高维面板数据,提出张量因子模型及张量主成分分析算法,证明其在强因子下最优,弱因子下可通过交替最小二乘法提升收敛速度,并首次提出因子数量检验方法及缺失值填补应用。
2025-03-06 econ.EM math.ST stat.AP
Triply Robust Panel Estimators
Stanford University(斯坦福大学);Columbia University(哥伦比亚大学);Harvard University(哈佛大学)
本文提出三重稳健面板估计器,通过结合灵活模型、单位权重和时间权重,显著优于传统估计方法,在多种实证设置中表现更优。
2026-02-09 econ.EM stat.ME
Nuclear Norm Regularized Estimation of Panel Regression Models
University of Southern California(南加州大学);University of Oxford(牛津大学)
本文提出基于核范数正则化的面板回归模型估计方法,解决了交互固定效应模型的识别问题,并通过迭代步骤实现与传统最小二乘估计的渐近等价。
2026-02-09 econ.EM stat.ML
Recent Developments on Factor Models and its Applications in Econometric Learning
本文对因子模型的发展及其在统计学习中的应用作了重点综述。我们专注于低秩结构的因素模型的角度来看,特别是提请注意估计模型的低秩恢复的角度来看。综述主要包括三个部分:第一部分是基于现代技术的新因子估计在恢复高维模型低秩结构方面的研究综述。第二部分讨论了几种因子增广模型的统计推断及其在计量经济学学习模型中的应用。最后一部分总结了新的发展,从矩阵完成的角度处理不平衡的面板。
2020-09-21 econ.EM stat.ML
Rank Determination in Tensor Factor Model
因子模型是高维时间序列的一种有效分析工具,在经济、金融、统计等领域有着广泛的应用。本文发展了两个标准的张量因子模型的因子的数量的确定的信号部分的观测张量时间序列假设Tucker分解的核心张量作为因子张量。任务是确定核张量的维数。其中一个准则类似于基于信息的模型选择准则,另一个准则是对面板时间序列因子分析中常用的基于连续特征值比值的方法的扩展。理论上的结果,包括充分条件和收敛速度。结果包括向量因子模型作为特殊情况,具有额外的收敛速度。仿真研究提供了有前途的有限样本性能的两个标准。
2022-05-05 econ.EM stat.ME
Principal Components and Regularized Estimation of Factor Models
众所周知,在一个大的面板数据的共同因素,可以一致地估计的主成分的方法,主成分可以通过迭代最小二乘回归构建。用岭回归代替最小二乘,结果证明具有缩小公共分量奇异值的效果,并可能降低其秩。该方法在机器学习文献中用于恢复低秩矩阵。我们从估计最小秩近似因子模型的角度研究了这一过程。我们表明,约束因子估计是有偏的,但可以更有效的均方误差。等级考虑表明选择因子数量的数据依赖性惩罚。新的准则是更保守的情况下,当名义上的因素的数量是膨胀的弱因素或大的测量噪声的存在。该框架扩展到将先验的线性约束的负载。我们提供的渐近结果,可用于检验经济假设。
2017-11-13 econ.EM stat.ME
Robust Matrix Estimation with Side Information
Columbia University(哥伦比亚大学);University of Rhode Island(罗德岛大学)
本文提出了一种灵活的高维矩阵估计框架,通过整合行和列的侧信息,改进了传统矩阵补全方法的限制。通过分解矩阵为四个互补组件,结合筛法投影和核范数惩罚,实现了稳健的估计,并展示了侧信息在填补缺失数据和提升处理效应估计中的优势。
2026-03-25 econ.EM stat.ME stat.ML
Synthetic Interventions
Columbia University(哥伦比亚大学);MIT(麻省理工学院);USC(南加州大学)
本文提出synthetic interventions(SI)框架,基于低秩张量因子模型将合成控制方法扩展至多重处理场景,证明了估计量的一致性与渐近正态性,并通过模拟和经典案例验证了其预测性能。
2024-08-24 cs.LG econ.EM stat.ML