Network Synthetic Interventions: A Causal Framework for Panel Data Under Network Interference
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）；Cornell University（康奈尔大学）
本文提出网络合成干预（NSI）方法，将合成对照与干预方法推广至网络干扰场景，通过新颖潜在因子模型估计单元潜在结果，并证明估计器一致性与渐近正态性，提供有效性检验与图基实验设计，模拟验证理论。
2023-10-12 cs.LG econ.EM stat.ME
Proxy Controls and Panel Data
本文提出利用 proxy controls（代理控制变量）在面板和横截面设定下进行因果效应的非参数识别与估计，推导了收敛速度并构建置信带，并通过消费者需求与留级效应的实证验证了方法有效性。
2023-11-21 econ.EM
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
Exact Trend Control in Estimating Treatment Effects Using Panel Data with Heterogenous Trends
对于Abadie等人（2010）考虑的面板模型，Abadie等人构建的反事实结果，Hsiao et al.（2012）和Doudchenko and Imbens（2017）都可能受到不受控制的异质性趋势的混淆。基于精确匹配的趋势预测，我提出了新的方法来估计模型特定的处理效应，这是免费的异质性趋势。当应用于Abadie et al.新的估计表明，加州烟草控制计划的影响要小得多。
2020-12-16 econ.EM stat.ME
Bounds on Distributional Treatment Effect Parameters using Panel Data with an Application on Job Displacement
本文开发了新的技术来约束分布处理效应参数，这些参数取决于潜在结果的联合分布--一个对象不被标准识别假设所识别，例如选择可观察量，甚至是随机分配治疗。我表明，面板数据和一个额外的假设之间的依赖性治疗组随着时间的推移，未经治疗的潜在结果（i）提供更多的识别能力的分布处理效应参数比现有的界限和（ii）提供一个更合理的条件比现有的方法，获得点识别。我应用这些界限来研究大衰退期间工作置换效应的异质性。使用标准技术，我发现在大衰退期间被解雇的工人平均损失了34%的收入，相对于他们没有被解雇的反事实收入。使用本文中开发的方法，我还表明，平均效应掩盖了工人之间的实质性异质性。
2020-08-18 econ.EM
Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation via Incentivized Exploration
J.P. Morgan Chase AI Research（J.P. Morgan Chase人工智能研究）；University of California, Berkeley（加州大学伯克利分校）；Columbia University（哥伦比亚大学）；Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种激励合成控制方法，通过激励探索实现准确的反事实估计，无需先验重叠假设，并扩展至合成干预场景。
2026-02-24 cs.GT cs.LG econ.EM
Linear Estimation of Structural and Causal Effects for Nonseparable Panel Data
MIT（麻省理工学院）；UCL（伦敦大学学院）；UBC（不列颠哥伦比亚大学）；NBER（美国国家经济研究局）
本文针对含时变个体异质性的不可分离面板数据，提出线性估计方法，可估计结构与因果效应等，还利用食品杂货购买数据完成实证应用。
2026-07-31 econ.EM
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
Large Dimensional Latent Factor Modeling with Missing Observations and Applications to Causal Inference
本文发展了基于含有缺失观测值的大样本面板数据的潜在因子模型的推导理论。我们提出了一个易于使用的通用估计的潜在因素模型，通过应用主成分分析的调整协方差矩阵估计部分观察到的面板数据。在近似因子模型和一般缺失模式下，我们得到了估计因子、载荷和插补值的渐近分布。其关键应用是从面板数据中估计因果推断中的反事实结果。未观察到的对照组被建模为缺失值，这些缺失值是从潜在因素模型推断出来的。插补值的推断理论允许我们在一般采用模式下随时检验个体处理效应，其中单位可能受到未观察到的因素的影响。
2022-01-10 econ.EM
Simple Specification-Free Causal Inference in Large Panels
University College London（伦敦大学学院）；CeMMAP（计量经济学与宏观经济分析中心）
本文提出一种基于非参数因子模型和潜在相似性核平滑的方法，用于大面板数据中因果效应的推断，实现了处理组平均处理效应的双稳健估计，并具备最优收敛速率和渐近正态性。
2026-09-29 econ.EM
Factor-Augmented Panel Regressions and Variance-Weighted Treatment Effects
University of Amsterdam（阿姆斯特丹大学）；Tinbergen Institute（蒂尔堡研究所）；University of Oxford（牛津大学）；Nuffield College（纽菲尔德学院）
本文通过方差加权平均处理效应视角重新审视包含未观测异质性的面板回归，证明两种两方式面板估计量在非参数假设下收敛于可解释的估计量，探讨了单个和多个回归变量扩展时的挑战。
2026-04-20 econ.EM
Estimation and Inference for Three-Dimensional Panel Data Models
本研究提出一种含全局与两组局部潜在因子的新型三维分层面板数据模型，设计了可分离不同层级维度潜在因子的估计方法，建立渐近理论与bootstrap推断程序，并通过全球制造业生产率趋同研究验证了框架适用性。
2024-09-12 econ.EM
Robust Nearly-Efficient Estimation of Large Panels with Factor Structures
本文研究了具有异质系数的线性面板回归模型的估计，当回归变量和残差都包含一个可能的共同的潜在因子结构时。我们的理论是（几乎）有效的，因为基于GLS原则，并且对这种因子结构的规范也是鲁棒的，因为它不需要任何关于因子数量的信息，也不需要估计因子结构本身。我们首先展示了如何不可行的GLS估计不仅提供了一个效率的提高，但更重要的是，提供了一个偏差调整估计与传统的极限分布，OLS的情况下，受一阶偏差。本文解决的技术挑战是展示如何在双渐近环境中保持一类可行的GLS估计的这些性质。我们的理论是通过蒙特卡罗练习，然后，实证应用，使用个人资产收益率和企业的特征数据来说明。
2019-02-28 econ.EM
Linear Regression for Panel With Unknown Number of Factors as Interactive Fixed Effects
University of Southern California（南加州大学）；Yonsei University（延世大学）
本文研究了在未知因素数作为交互固定效应的线性面板回归模型中最小二乘估计器的性质，证明了在时间期和横截面单位数量趋于无穷时，估计器的极限分布与所用因素数无关。
2026-05-01 econ.EM
Low-Rank Approximations of Nonseparable Panel Models
我们提供了基于低秩因子结构近似的不可分离面板模型的估计方法。因子结构的估计矩阵完成的方法来处理主成分分析的计算挑战，在缺失数据的存在。我们表明，由此产生的估计是一致的，在大型面板，但遭受近似和收缩偏差。我们使用匹配和差异中的差异方法来纠正这些偏差。数值例子和实证应用的效果，选举日登记选民投票率在美国说明了我们的方法的属性和实用性。
2021-03-03 econ.EM
Estimation of Panel Data Models with Nonlinear Factor Structure
Lund University（隆德大学）；Deakin University（迪肯大学）
本文结合共同相关效应（CCE）与筛分方法，提出SCCE估计量，放松了面板数据模型中因子线性假设，保留了CCE的计算简便性和良好性质，适用于更广泛的因子结构。
2026-10-19 econ.EM
Factor-Based Imputation of Missing Values and Covariances in Panel Data of Large Dimensions
经济学家有幸拥有丰富的数据进行分析，但数据矩阵中的某些条目中的值往往缺失。已经提出了各种方法来处理少数变量中的缺失观测。我们利用大维度面板数据的因子结构。我们的\textsc{tall-project}算法首先估计的因素，从一个\textsc{tall}块中的所有行的数据进行观察，和预测的可变特定长度，然后使用估计的因素负载。缺失值被插补为估计的公共分量，我们表明，这是一致的，渐近正态，无需进一步迭代。使用插补数据的影响因素增广回归，然后进行了讨论。为了补偿在未观察到数据点时由遗漏的噪声产生的协方差矩阵中的向下偏倚，我们多次使用重新采样的特质残差覆盖插补数据，并使用协方差的平均值来估计感兴趣的参数。仿真结果表明，该方法具有良好的有限样本性质。
2022-02-01 econ.EM
Subspace Clustering for Panel Data with Interactive Effects
本文研究了一类具有不可观测分组因子结构的面板数据的统计模型，其中分组因子结构与回归变量和分组成员关系相关。假设因子载荷分布在不同的子空间中，并考虑因子载荷的子空间聚类。提出了一种最小二乘子空间聚类估计（LSSC）方法，通过最小化最小二乘准则估计模型参数，同时进行子空间聚类。证明了所提出的子空间聚类的一致性，并在一定条件下研究了估计过程的渐近性质。一个蒙特卡罗模拟研究被用来说明所提出的方法的优点。对因子子空间个数、因子维数和子空间维数未知的情形，也作了进一步的考虑。为了说明的目的，所提出的方法被应用到研究收入和民主之间的联系，而国家的子空间模式的未观察到的因素和因素负荷是允许的。
2021-02-25 econ.EM
Estimating unrestricted spatial interdependence in panel spatial autoregressive models with latent common factors
我们提出一种快速贝叶斯方法，在无先验空间结构下估计面板空间自回归模型中的潜在共同因子，并通过欧盟区域GVA增长数据验证了其有效性与聚类发现。
2025-10-25 econ.EM
Inference on panel data models with a generalized factor structure
本文针对含广义因子结构的线性面板数据模型，提出基于条件均值独立性假设的一致估计方法与设定检验，证明了其理论性质，模拟和实证验证了方法的有效性。
2025-06-12 econ.EM
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
Interactive Effects Panel Data Models with General Factors and Regressors
本文提出一种基于迭代主成分的估计器，用于处理具有一般因子和回归变量的交互效应面板数据模型，该估计器渐近正态且无附带参数偏差，且无需预知因子数量或积分阶数。
2021-11-22 econ.EM
Nonlinear Factor Models for Network and Panel Data
因子结构或交互效应是将潜在变量纳入面板数据模型的方便手段。考虑了在不可观测量中具有因子结构的非线性面板单指标模型的固定效应估计，包括logit、probit、有序probit和Poisson规格。我们建立了当面板的两个维度变大时，模型参数和平均部分效应的固定效应估计具有正态分布，但可能遭受偶然的参数偏差。我们展示了如何与因素结构的模型也可以应用于捕捉网络数据的重要功能，如互惠性，程度异质性，同质性的潜在变量和聚类。我们说明了这种适用性与实证的例子来估计的重力方程的国家之间的国际贸易使用泊松模型与多个因素。
2019-10-15 econ.EM stat.ME
Common Correlated Effects Estimation of Nonlinear Panel Data Models
本文提出含交互固定效应的非线性面板模型CCE两步估计法，推导其渐近分布并用解析及分割面板刀切法校正偏差，模拟与企业跨市场套利实证均验证了方法有效性。
2023-04-25 econ.EM
Bootstrap Inference for Dynamic Panel Data Models with Common Correlated Effects
Amsterdam School of Economics, University of Amsterdam（阿姆斯特丹经济学院，阿姆斯特丹大学）；Tinbergen Institute（丁伯根研究所）；BI Norwegian Business School（挪威BI商学院）
针对动态面板数据模型，提出结合偏差校正的递归设计野Bootstrap方法，解决弱外生性下偏差与因子估计方差捕捉不足的问题，蒙特卡洛实验显示显著改进。
2026-10-06 econ.EM
State-Building through Public Land Disposal? An Application of Matrix Completion for Counterfactual Prediction
本文应用倾向性加权矩阵补全模型，估计宅地政策对美国边疆州的反事实影响，发现其显著降低州政府收支，并通过模拟和实证验证了方法的优越性。
2023-12-23 econ.EM econ.GN q-fin.EC
Generalized Dynamic Factor Models and Volatilities: Consistency, rates, and prediction intervals
在经济时间序列的高维面板中，波动性在水平或收益上具有动态因子结构，通常也允许动态因子分解。我们考虑一个两阶段的动态因子模型方法恢复两个水平和对数波动率的共同和特质成分。具体来说，在第一个估计步骤中，我们提取的共同和特质冲击的水平，从一个对数波动率代理计算。在第二步中，我们估计一个动态因子模型，这是相当于一个乘法因子结构的波动率，对数波动面板。通过利用这两个阶段的因素的方法，我们建立了一个步骤的条件预测区间的大型$n \times T$面板的回报。这些区间基于经验分位数，而不是条件方差;它们可以是等尾或不等尾的。我们提供了一致的一致性和一致性率的结果，建议的估计$n$和$T$趋于无穷大。我们通过蒙特卡罗模拟研究了我们的估计的有限样本性质。最后，我们将我们的方法应用于属于标准普尔100指数的资产收益面板，以计算2006-2013年期间的提前一步的条件预测区间。与组件的GRESS基准（不利用横截面信息）的比较表明，我们的方法，这是真正的多元（和高维），非参数，无模型的优越性。
2019-07-10 econ.EM
Finite Population Inference for Factorial Designs and Panel Experiments with Imperfect Compliance
Institute of Economics, PUC-Chile（智利天主教大学经济研究所）
本文提出了一种有限总体框架，用于分析因子设计和面板实验中不完全合规性的因果效应，并通过模拟验证了估计器的有效性。
2026-01-23 econ.EM stat.ME
Second-Generation Heterogeneous Panel Data Model with Individual and Common Shocks
Azerbaijan State University of Economics（阿塞拜疆国立经济大学）
针对存在共同因子和异质性结构断点的面板数据，提出傅里叶共同相关效应均值组（F-CCEMG）估计量，在蒙特卡洛模拟中多数情形下均方根误差最低且覆盖接近名义水平。
2026-06-27 econ.EM
Target PCA: Transfer Learning Large Dimensional Panel Data
本文提出目标PCA方法，利用辅助面板数据迁移学习估计大规模目标面板的潜在因子模型，能处理大量缺失观测和弱信号，并显著优于基准方法。
2023-08-29 econ.EM stat.ME
Event-Study Designs for Discrete Outcomes with Latent Transition Heterogeneity
Brown University（布朗大学）；University of British Columbia（不列颠哥伦比亚大学）
本文提出了一种针对离散结果的事件研究设计方法，通过转换独立性假设和潜在类型马尔可夫结构，改进了面板数据中平均处理效应的估计。
2026-09-10 econ.EM
Counterfactual and Synthetic Control Method: Causal Inference with Instrumented Principal Component Analysis
本研究提出一种基于工具变量主成分分析的反事实与合成控制因果推断方法，用预测协变量工具化因子载荷，可处理高维数据、降低模型误设风险与偏差，并用于评估英国脱欧对英外国直接投资的影响。
2024-09-14 econ.EM
Causal Models for Longitudinal and Panel Data: A Survey
本文综述因果面板数据领域的最新进展，聚焦二元干预因果效应的可靠估计，关注异质性等场景，拓展传统估计方法，纳入因子模型等并开发合成控制新方法，为实证研究者提供实用指导。
2024-06-25 econ.EM
Latent Factor Analysis in Short Panels
本研究提出无需球形性和高斯性假设的短面板潜因子伪极大似然法及因子数量检验，通过美国月度股票收益面板分析牛熊短周期风险，发现总波动率和异质波动率上升，熊市系统性风险占比高但非单因子驱动且无法被观测因子解释。
2025-10-29 econ.EM q-fin.PR q-fin.ST
Binary Response Models for Heterogeneous Panel Data with Interactive Fixed Effects
在本文中，我们研究了具有交互固定效应的异质面板数据的二元响应模型，允许横截面维度和时间维度的分歧。从实际的角度来看，该框架可以应用于预测企业失败的概率，进行信用评级分析等理论和方法，我们建立了一个最大似然估计和最小二乘法之间的联系，提供了一个简单的信息标准来检测的因素的数量，并实现相应的渐近分布。此外，我们进行了密集的模拟，以检查的理论研究结果。在实证研究中，我们重点研究了股票收益率的符号预测，然后利用符号预测的结果进行投资组合分析。
2021-11-16 econ.EM
Global identification of dynamic panel models with interactive effects
Columbia University（哥伦比亚大学）
研究大N、固定T设定下具有交互效应的动态面板模型的全局识别问题，通过分析证明该模型对多数因素配置全局可识别，还涵盖加性固定效应模型，表明水平协方差结构能实现全局识别。
2026-07-16 econ.EM
How to Detect Network Dependence in Latent Factor Models? A Bias-Corrected CD Test
本文提出了一种偏倚校正的CD检验，用于检测潜在因子模型中的网络依赖，证明其在不同误差结构下的有效性。
2026-01-07 econ.EM
Confidence Intervals of Treatment Effects in Panel Data Models with Interactive Fixed Effects
我们考虑使用交互式固定效应面板模型估计的处理效应的置信区间的构建。我们首先使用Bai和Ng（2021）提出的基于因子的矩阵补全技术来估计处理效应，然后使用bootstrap方法构建每个处理后阶段处理单元的处理效应的置信区间。我们的置信区间的建设既不需要具体的分布假设的误差项，也没有大量的治疗后时期。我们还建立了建议的自助程序的有效性，这些置信区间具有渐近正确的覆盖概率。仿真研究表明，这些置信区间具有令人满意的有限样本性能，使用经典数据集的经验应用产生了相似量级和可靠置信区间的处理效应估计。
2022-02-24 econ.EM
Controlling for Unmeasured Confounding in Panel Data Using Minimal Bridge Functions: From Two-Way Fixed Effects to Factor Models
本文提出了一种新的方法来识别和估计面板数据中的平均因果效应的线性因子模型下不可测量的混杂因素。与其他处理因子模型的方法（如合成控制和矩阵完成）相比，我们的方法不需要时间段的数量无限增长。相反，我们从双向固定效应模型中汲取灵感，作为线性因子模型的一种特殊情况，其中一个简单的差中差转换识别效果。我们发现，类似的，虽然更复杂，转换存在于更一般的线性因子模型，提供了一种新的方法来识别该模型中的效果。事实上，存在许多这样的转换，称为桥函数，所有识别相同的因果效应估计。这对估计和推理提出了独特的挑战，我们通过使用正则化估计方法以最小桥函数为目标来解决。我们证明了我们得到的平均因果效应估计是根N一致的和渐近正态的，我们提供了渐近有效的置信区间。最后，我们提供了扩展的情况下，随时间变化的不可测的混杂因素的线性因子模型。
2021-08-09 econ.EM stat.ME
Dynamic Factor Stochastic Volatility-in-Mean VAR for Large Macroeconomic Panels
Graduate School of Economics, University of Tokyo（东京大学经济学研究科）；Olin Business School, Washington University（华盛顿大学奥林商学院）；Faculty of Economics, University of Tokyo（东京大学经济学院）
本文提出一种动态因子随机波动-均值VAR模型，通过引入波动性因素捕捉宏观经济波动，并在条件均值中纳入波动性，提升大面板预测性能。
2026-04-06 econ.EM stat.ME
Robust Estimation and Inference in Panels with Interactive Fixed Effects
本文针对具有交互固定效应的面板回归，提出在弱因子情形下仍具一致有效性的去偏估计量和偏差感知置信区间，并通过极小极大线性估计与核范数界控制弱因子偏差，实验显示其在弱因子下显著优于传统方法。
2025-05-11 econ.EM stat.ME
Factor-Driven Two-Regime Regression
我们提出了一个新的两个政权回归模型，政权切换是由一个向量的可能无法观察到的因素。当这些因素是潜在的，我们估计他们的主成分分析的面板数据集。我们表明，优化问题可以重新表述为混合整数优化，我们提出了两种替代的计算算法。在门限效应收缩为零的方案下，我们得到了所得估计量的渐近分布。特别是，我们建立了一个相变，描述了第一阶段的因素估计的影响，作为横截面尺寸的面板数据增加相对于时间序列的维度。此外，我们开发了自助推断，并通过数值研究来说明我们的方法。
2020-09-10 econ.EM
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
Fixed $T$ Estimation of Linear Panel Data Models with Interactive Fixed Effects
本文研究了具有交互固定效应的线性面板数据模型的估计，其中面板数据的一个维度，通常是时间，可以是固定的。为此，引入了一种新的变换，将模型降低到较低的维度，并且在这样做时，减轻了横截面中的附带参数的模型。本文的主要结果表明，转换模型，然后应用主成分（PC）估计的\cite{bai_panel_2009}提供$\sqrt{n}$一致估计的回归斜率系数与$T$固定。此外，这些估计被证明是渐近无偏的横截面依赖，串行依赖的存在下，并与包含动态回归，在通常的情况下形成鲜明对比。大$n$，大$T$属性的这种方法也进行了研究，其中许多这些结果结转的情况下，$n$增长足够快，相对于$T$。转换模型也被证明是有用的超出估计，这一点说明，通过显示与$T$固定，\cite{horenstein}的特征值比测试提供了一个一致的测试时，应用到转换后的模型的因素的数量。
2021-10-11 econ.EM
Estimating Treatment Effects in Panel Data Without Parallel Trends
Hitotsubashi University（一桥大学）
本文提出一种无需平行趋势假设的面板数据处理效应估计方法，通过允许多维不可观测因素和非可加性分离，实证显示其能更准确地反映处理组与对照组的差异结果轨迹。
2026-09-24 econ.EM
Factor-Augmented Machine Learning Panel Regressions
Department of Economics, University of North Carolina – Chapel Hill（北卡罗来纳大学教堂山分校经济学系）；European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）；Department of Finance, Copenhagen Business School（哥本哈根商学院金融系）
研究高维面板数据回归，核心方法是结合MIDAS聚合与潜在因子的因子增强稀疏组LASSO估计器，主要贡献是在有横截面依赖性时，该估计器在预测和估计上优于标准LASSO估计器。
2026-07-08 econ.EM math.ST stat.ME
Synthetic Survival Control: Extending Synthetic Controls for "When-If" Decision
Massachusetts Institute of Technology（麻省理工学院）
针对观测数据中至事件发生时间的因果效应估计难题，提出合成生存控制SSC方法，构建带低秩结构的面板因果生存分析框架，通过临床数据集验证其有效性，为多领域反事实生存推断提供可解释工具。
2025-11-18 cs.LG econ.EM stat.ML
Interactive, Grouped and Non-separable Fixed Effects: A Practitioner's Guide to the New Panel Data Econometrics
本文综述了面板数据中交互式、分组和非可分离固定效应模型的新估计方法及诊断检验，并通过实证证明其优于传统固定效应估计量。
2025-10-14 econ.EM
Investigating Growth at Risk Using a Multi-country Non-parametric Quantile Factor Model
我们建立了一个贝叶斯非参数分位数面板回归模型。在每个分位数内，响应函数是线性模型和非线性函数的凸组合，我们使用贝叶斯加性回归树（BART）近似。通过条件异方差潜在因子捕获第p分位数的横截面信息。我们的模型的非参数特征增强了灵活性，而面板特征，通过利用跨国信息，增加了尾部的观测数量。我们开发了贝叶斯马尔可夫链蒙特卡罗（MCMC）方法估计和预测与我们的分位数因子BART模型（QF-BART），并应用它们来研究在风险动态增长的面板中的11个发达经济体。
2021-10-07 econ.EM stat.AP
Eigenvalue tests for the number of latent factors in short panels
研究了小时间维大截面因子模型中潜在因子个数的新检验方法。这些测试是基于（可能加权）资产收益的方差-协方差矩阵的特征值，并依赖于球面误差的假设，或因子β的工具变量。我们利用基于对称矩阵扰动理论的展开定理建立了渐近分布结果。我们的框架容纳半强的因素，在系统的组件。我们提出了一种新的统计检验弱因素对强或半强的因素。我们提供了一个实证应用美国股票数据。根据市场低迷和市场上涨，不同数量的潜在因素的证据，在所考虑的子时期统计上是模糊的。特别是，我们的研究结果与熊市中单因素模型的共同智慧相矛盾。
2022-10-28 econ.EM q-fin.PR q-fin.ST
A projection based approach for interactive fixed effects panel data models
本文提出一种基于样条投影的偏最小二乘估计法，用于交互固定效应面板数据模型，无需迭代或因子预估计，并通过横截面自助法实现非保守推断，经蒙特卡洛模拟及OECD数据验证有效。
2025-02-25 econ.EM stat.ME
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
Distributional Counterfactual Analysis in High-Dimensional Setup
本文提出一种高维面板数据下恢复反事实分布的方法，通过l1惩罚回归估计无干预的整个条件分位数函数，推导了非渐近界限，构建置信区间并提出基于Lp范数的准枢轴假设检验。
2023-09-06 econ.EM stat.ME
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
