Inference for Forecasting Accuracy: Pooled versus Individual Estimators in High-dimensional Panel Data
Aarhus University（奥胡斯大学）；Maastricht University（马斯特里赫特大学）；Ruhr-Universität Bochum（波鸿鲁尔大学）
本文提出了一种新的推断方法，用于比较面板数据中池化与个体估计器的预测性能，通过建立置信区间并验证其渐近有效性，以解决高维面板数据中的估计权衡问题。
2025-12-17 econ.EM math.ST 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
Approximate conditional inference for panel logit models allowing for state dependence and unobserved heterogeneity
我们表明，动态logit模型的二进制面板数据允许状态依赖性和未观察到的异质性，可以准确地近似为二次指数模型，其参数具有相同的解释，他们在真实的模型。我们还展示了如何通过调节总分（即面板中任何个体的响应变量之和）来消除近似模型中未观察到的异质性的参数。这允许为动态Logit模型构建近似条件似然，通过最大化，我们可以估计协变量和状态依赖的参数。该估计量计算简单，通过模拟研究，我们证明了它在效率方面与Honore' & Kyriazidou（2000）的估计量具有竞争力。最后，我们概述了所提出的方法的情况下，更详细的结构的状态依赖性和两个以上的水平的分类响应变量的扩展。
2007-02-26 math.ST stat.TH
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
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
Homogeneity Pursuit in Single Index Models based Panel Data Analysis
面板数据分析是统计学和计量经济学中的一个重要课题。传统的面板数据分析中，假设所有的个体具有相同的未知参数，例如，当使用线性模型时，假设所有的个体具有相同的协变量系数，而个体之间的差异则由聚类效应来解释。只有当我们的主要兴趣是全球趋势时，这种建模才有意义，这是因为它无法告诉我们任何关于个体属性的信息，而这些属性有时非常重要。本文提出了一种基于嵌入同质性的面板数据分析单指标模型的建模方法，该方法在模型中建立了个体属性，同时具有简约性。我们开发了一种数据驱动的方法来识别同质性的结构，并估计未知的参数和功能的基础上确定的结构。建立了所得估计量的渐近性质。密集的模拟研究表明，本文所得到的估计工作时，样本量是有限的。最后，将所提出的模型应用于公共财政数据集和英国气候数据集，结果揭示了一些有趣的发现。
2017-06-07 math.ST stat.TH
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
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
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
Heterogeneous Synthetic Learner for Panel Data
North Carolina State University（北卡罗来纳州立大学）；Amazon（亚马逊）；University of California Irvine（加州大学欧文分校）
在个性化的新时代，学习异构处理效应（HTE）成为必然趋势，并有着众多的应用。然而，大多数现有的HTE估计方法集中在独立和同分布的观察，不能处理非平稳性和时间依赖性的共同面板数据设置。另一方面，针对面板数据开发的治疗评价者通常忽略个体化信息。为了填补这一空白，本文对面板数据下的HTE估计进行了初步研究。在不同的假设条件下，HTE可识别性，我们提出了相应的异构单边和双边合成学习，即H1SL和H2SL，利用国家的最先进的HTE估计非面板数据和推广的合成控制方法，允许灵活的数据生成过程。我们建立了所提出的估计的收敛速度。所提出的方法比现有的优越性能证明了广泛的数值研究。
2023-01-29 cs.LG math.ST stat.ME
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
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
Introducing Super Pseudo Panels: Application to Transport Preference Dynamics
Technical University of Denmark（丹麦技术大学）
我们提出了一种新的方法来构建合成的伪面板数据的横截面数据。伪面板和它打算描述的偏好是在个人层面上构建的，不受跨队列的聚合偏差的影响。这是通过创建整个数据集的高维概率模型表示来实现的，这允许以保留原始数据的所有固有相关性的方式从概率模型中进行采样。关键是使用基于条件变分自动编码器（CVAE）框架的深度学习算法。从建模的角度来看，一个基于模型的research的概念创造了一些机会，数据可以被组织和构建，以满足非常具体的需求，其中异构伪面板的形成代表一个。在这方面，优点是能够用严重的聚合偏差（当聚合成群组时）来换取非系统性的噪声干扰。此外，该方法可以探索高维稀疏偏好分布及其与个体特定特征的联系，这是不可能的，如果应用传统的伪面板方法。我们使用所提出的方法来揭示一个固定的伪面板的个人的基础上，涵盖了从2006年到2016年期间的大型丹麦横截面数据集的交通偏好的动态。该模型还被用来分类个人到“慢”和“快”的移动者相对于他们的偏好随着时间的推移而变化的速度。研究发现，典型的快速移动是一个年轻的女人谁作为一个单身生活在一个大城市，而典型的缓慢移动是一个中年男子与高收入的核心家庭谁住在一个独立的房子外的城市。
2019-03-01 cs.LG stat.AP stat.ML
Design-Robust Two-Way-Fixed-Effects Regression For Panel Data
本文提出融合分配机制权重的双向固定效应估计量，在一般处理模式下具备双重稳健性，并可扩展至动态处理效应。
2024-03-04 econ.EM econ.GN q-fin.EC
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
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
Estimating Counterfactual Matrix Means with Short Panel Data
Stanford Graduate School of Business（斯坦福大学商学院）；Department of Statistics（统计系）；National Bureau of Economic Research（美国国家经济研究局）
本文提出了一种基于谱方法的估计技术，用于在短面板数据和一般缺失模式下估计反事实矩阵均值，通过图算法确定重叠性后，能够识别现有方法无法识别的均值，并在实际数据中优于传统TWFE模型。
2025-12-27 econ.EM math.ST 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
Parameter Regimes in Partial Functional Panel Regression
针对时变参数面板数据，提出了一种新的偏泛函线性回归模型。允许多变量模型组件的参数向量是完全时变的，而假设函数模型组件的函数值参数在K个未知参数范围内变化。一致性推导出建议的估计和用于检测K未知参数制度的分类程序。此外，估计量的收敛速度下，根据面板尺寸n和T的相对顺序的渐近情景之间的双重渐近微分。统计模型的动机是一个真正的数据应用程序考虑所谓的特质波动之谜，使用高频数据从标准普尔500指数。
2018-05-14 stat.ME
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
Counterfactual Forecasting for Panel Data
Cornell University（康奈尔大学）；Cornell Tech（康奈尔技术学院）
本文提出FOCUS方法，通过利用时间序列动态性提升面板数据中反事实预测的准确性，并在移动健康研究中验证了其有效性。
2026-02-02 math.ST stat.ME stat.ML
Understanding Cross-sectional Dependence in Panel Data
我们提供了各种基于范数的定义不同类型的横截面依赖和它们之间的关系。这些定义便于理解和刻画强、半强和弱依赖等各种形式的横截面依赖。然后，我们研究了线性面板数据模型的固定（内）效应估计和随机效应（合并）估计的参数估计的渐近性质，包括各种形式的横截面依赖。当同时存在横截面和时间依赖性时，还推导出了渐近性质。随后，我们分别对固定效应模型和随机效应模型的参数估计量给出了一致的和稳健的标准误。稳健的标准误被开发（i）用于纯横截面依赖;以及（ii）也用于横截面和时间序列依赖。在强或半强的截面依赖下，当时间依赖通过特殊误差时，这种时间依赖对$(\hatβ_{FE/RE}). $的渐近方差没有任何影响。因此，在估计$Var(\hatβ_{FE/RE}),$时，Newey-West类修正在方差估计中注入了偏差。此外，本文还给出了$t$、$F$和基于稳健协方差阵估计量的$Wald$统计量给出有效推断的条件。
2018-04-23 stat.ME
Individual and Time Effects in Nonlinear Panel Models with Large N, T
本文给出了具有个体效应和时间效应的非线性面板数据模型中参数和平均部分效应的固定效应估计。它们涵盖了logit，probit，ordered probit，Poisson和Tobit模型，这些模型对于微观和宏观经济学中的许多经验应用都很重要。我们的估计使用分析和刀切偏差校正来处理附带的参数问题，并且在$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
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
Identification and Estimation of Time-Varying Nonseparable Panel Data Models without Stayers
本文探讨了不可分离面板数据模型的识别和估计问题。我们证明了当结构函数在标量不可观测变量中严格递增时，结构函数是非参数识别的，不可观测变量的条件分布不随时间变化，解释变量的联合支持度满足一些弱假设.为了确定目标参数，现有的研究假设结构函数不随时间变化，并且存在“滞留者”，即在两个时间段具有相同回归值的个体。相比之下，我们的方法允许结构函数以任意的方式依赖于时间段，并且不需要存在滞留者。在估计部分的文件中，我们考虑参数模型，并开发一个估计器，实现我们的识别结果。然后，我们证明了我们的估计的一致性和渐近正态性。蒙特卡罗研究表明，我们的估计在有限样本表现良好。最后，我们将我们的识别结果扩展到具有离散结果的模型，并表明结构函数是部分识别的。
2018-11-08 stat.ME
Expected Shortfall Panel Regression
Shandong University（山东大学）；Southeast University（东南大学）；University of Science and Technology of China（中国科学技术大学）
本文提出面板期望损失回归模型，通过潜在因子结构捕捉横截面依赖，开发两阶段估计方法以应对厚尾误差，理论上证明了估计量的一致性和渐近正态性，并通过模拟和实证显示方法在参数估计和因子恢复上具有显著优势。
2026-04-14 stat.ME
Extending Prais-Winsten Regression to Panel Data with Higher-Order Autoregressive Errors: A Simulation Study
University of California, San Francisco（旧金山加利福尼亚大学）；Department of Medicine, Division of Clinical Informatics & Digital Transformation (DoC-IT)（医学系临床信息学与数字化转型科）
将Prais-Winsten AR(k) GLS变换扩展到面板数据，在Stata包xtpraisk中实现，并通过蒙特卡洛模拟验证其统计性质，发现xtpraisk在保持名义第一类错误率的同时比xtscc具有更高功效，且对自回归阶数误设稳健。
2026-06-12 stat.ME
Efficient Bias Correction for Cross-section and Panel Data
该研究证明渐近线性的偏差校正方法对半参数高效参数估计量的高阶方差无影响，验证了自助法、刀切法等的渐近线性性，指出拆分样本刀切法高阶方差更大，为截面与面板数据的偏差校正方法选择提供理论依据。
2024-01-26 econ.EM stat.ME
Robust Estimation for Linear Panel Data Models
在包括但不限于行为、环境、医学科学和计量经济学的不同应用领域中，面板数据回归模型的使用作为用于进行有意义的统计推断的一般框架已经变得越来越流行。然而，当使用普通最小二乘法（OLS）来估计模型参数时，离群值的存在可能会产生有偏和低效的估计，从而显著改变此类模型的充分性。在这项工作中，我们提出了一个新的，加权似然为基础的稳健估计程序的线性面板数据模型的固定和随机效应。有限样本性能的估计已被说明，通过广泛的模拟研究，以及与血压数据集的应用。我们的深入研究表明，所提出的估计显示出显着更好的性能比传统的方法在离群值的存在下，并产生竞争力的结果OLS为基础的估计时，没有离群值存在于数据集中。
2020-05-13 stat.ME
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
Likelihood Inference and The Role of Initial Conditions for the Dynamic Panel Data Model
Lancaster（2002）提出了一种零初始条件下具有同方差误差的动态面板数据模型的估计方法。在本文中，我们证明了这种估计是不变的正交变换，但效率低下，因为它忽略了额外的信息中的数据。零初始条件是通过从数据中减去初始观测值来满足的。我们表明，差异化的数据进一步侵蚀效率相比，绘制推理条件的第一次观察。最后，我们比较了条件方法与标准的随机效应方法的未观测数据。标准方法隐含地依赖于正态近似，当未观察到的数据非常偏斜且质量为零时，正态近似可能不可靠。例如，企业的面板数据自然取决于企业进入新状态的第一个时期。因此，假定决定未观测数据的过程是已知的或稳定的，似乎是不合理的。相反，我们可以通过对初始观测值进行条件化来推断结构参数。
2017-02-08 stat.ME
Quasi Maximum-Likelihood Estimation of Dynamic Panel Data Models
建立了动态面板数据模型水平估计和差分拟极大似然估计的几乎必然收敛和渐近正态性。的QML估计是强大的初始条件，条件和时间序列异方差，以及误指定的对数似然。本文还提供了一个ECME算法计算水平QML估计。最后，利用蒙特卡罗实验比较了水平和差分QML估计、差分GMM估计和系统GMM估计的有限样本性能。在这些实验中，QML估计通常有较小的-通常是小得多-偏差和均方根误差比面板数据GMM估计。
2017-02-02 math.ST stat.TH
Adaptive Discrete Smoothing for High-Dimensional and Nonlinear Panel Data
Hong Kong University（香港大学）；New York University（纽约大学）；University of Hamburg（汉堡大学）；Max Planck Society（马克斯·普朗克学会）
在本文中，我们开发了一个数据驱动的平滑技术的高维和非线性面板数据模型。我们允许个人特定的（非线性）功能和估计与计量经济学或机器学习方法通过使用加权观察其他个人。权重由数据驱动的方式确定，取决于相应函数之间的相似性，并基于初始估计进行测量。这种程序的关键特征是，它根据在第一阶段估计的个体之间的距离/相似性对个体进行聚类。我们的估计方法可以与各种统计估计过程相结合，特别是现代机器学习方法，这些方法在高维情况下以及复杂的异构数据中特别富有成效。该方法可以被解释为\textquotedblleft软聚类\textquotedblright \，而传统的\textquotedblleft \硬聚类\textquotedblright将每个个体分配到一个组。我们进行了模拟研究表明，预测可以大大提高使用我们的估计。最后，我们分析了交通行业领先公司didichuxing.com的大数据集，基于大量协变量来分析和预测供需缺口。与现有的线性面板数据估计相比，我们的估计量在样本外预测中明显表现得更好。
2020-01-03 cs.LG 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
Panel Estimation of Taxable Income Elasticities with Heterogeneity and Endogenous Budget Sets
本文提出一种面板估计方法，通过个体特定岭回归和去偏平均，在非线性及内生预算集条件下估计异质性应税收入弹性的平均值。
2024-12-31 econ.EM stat.ME
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
K-Means Panel Data Clustering in the Presence of Small Groups
本文研究存在渐近可忽略小群体时面板数据聚类的估计与群体数量选择问题，提出修正信息准则（MIC），使K-means聚类能在简约结构中有效识别并刻画小群体。
2025-08-21 econ.EM stat.ME
Semiparametric panel data models using neural networks
本文提出了一种利用前馈神经网络拟合非参数分量的半参数模型估计器。与机器学习文献中的许多方法不同，这种方法适用于纵向/面板数据。它提供了模型参数分量的无偏估计，以及具有接近标称覆盖率的相关置信区间。仿真结果表明：（1）效率，（2）参数估计是无偏的，（3）估计区间的覆盖性质。应用部分通过使用1981-2015年期间的每日天气数据预测县级玉米产量以及代表技术变革的参数时间趋势来演示该方法。该方法被证明优于线性方法，如OLS和脊/套索，以及随机森林。本文所描述的过程是在R包panelNNET中实现的。
2017-05-18 stat.AP
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
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
A kernel regression model for panel count data with time-varying coefficients
对于时变系数面板计数模型的条件均值函数，本文提出用局部核回归方法进行估计。形成局部多项式的部分对数似然估计。在一定的正则性条件下，得到了局部估计的强一致相合率。在目标时间点，我们证明了局部估计量在分布上收敛于正态分布。基线平均函数估计也是一致的。仿真研究表明，时变系数估计量接近真值，经验覆盖概率的置信区间接近名义水平。我们还应用所提出的方法来分析儿童喘息的临床研究。
2019-03-25 math.ST stat.TH
The Exact Risks of Reference Panel-based Regularized Estimators
本文基于 AMP 统一框架分析参考面板 L1/L2 正则化估计量的精确风险，揭示训练与参考样本量、信噪比、稀疏性和协方差的影响，并用模拟及 UK Biobank 验证。
2024-01-21 math.ST stat.ME stat.TH
Heteroscedastic stratified two-way EC models of single equations and SUR systems
面板数据估计中的一个相关问题是异方差性，这通常发生在样本很大且单个单位大小不同的情况下。此外，许多现有的面板数据集在本质上是不平衡的，因为磨损或增生，微观计量经济学模型应用于面板数据往往是多方程模型。本文研究了非平衡面板数据下单方程和带交叉方程约束的似不相关回归（SUR）系统的异方差分层双向误差分量（EC）模型的广义最小二乘估计.所导出的单方程和SUR系统的异方差估计提高了估计效率。
2017-08-07 stat.ME
Moment Restrictions for Nonlinear Panel Data Models with Feedback
University of Chicago（芝加哥大学）；Princeton University（普林斯顿大学）；University of California - Berkeley（加州大学伯克利分校）；National Bureau of Economic Research（国家经济研究局）
该研究刻画了带反馈的非线性面板数据模型的反馈与异质性稳健矩条件，推导了可行的矩估计量，将其应用于多 spell 混合比例风险模型并计算了有效矩函数。
2026-09-03 econ.EM stat.ME
The Sign Estimator: LLM Alignment in the Face of Choice Heterogeneity
MIT（麻省理工学院）
针对传统LLM对齐方法受人类偏好异质性影响导致效用估计不一致的问题，提出符号估计器，用二元分类损失替代聚合步骤的交叉熵，实现一致序数对齐，在仿真中误差较RLHF降近35%，且实现简洁。
2025-10-29 cs.AI cs.LG stat.ML
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
Estimating long memory in panel random-coefficient AR(1) data
随机系数AR（1）过程具有长记忆性，这取决于随机系数尾部分布函数的指数$β$，如果它是一个在单位元处有规律变化的函数。本文讨论了由N个长度为T的随机系数AR（1）序列组成的面板数据的$β$的估计。$β$的估计器被构造为Goldie和Smith（1987）的尾部索引估计器的一个版本，该尾部索引估计器被应用于个体时间序列的样本滞后1自相关。在一定的条件下，得到了关于N、T和统计模型参数的渐近正态性。基于这一结果，我们构造了一个统计过程来检验面板随机系数AR（1）数据是否具有长记忆性。仿真研究说明了有限样本性能的估计和测试程序。
2019-09-20 math.ST stat.TH
Two likelihood-based semiparametric estimation methods for panel count data with covariates
本文考虑了半参数回归模型中具有"面板计数“数据的计数过程均值的估计。基本模型假设是计数过程的条件均值函数的形式为$E\{\mathbb{N}(t)|Z\}=\exp(β_0^TZ)Λ_0(t)$，其中$Z$是协变量向量，$Λ_0$是基线均值函数。"面板计数“观察方案涉及在随机数$K$的随机时间点观察个体的计数过程$\mathbb{N}$;这些时间点的数量和位置可能因个体而异。研究了基于非齐次泊松过程假设的未知参数$(β_0,Λ_0)$的半参数极大似然估计和极大似然估计。伪似然估计量相当容易计算，而最大似然估计量从计算的角度来看带来了更多的挑战。我们研究的渐近性质，这两个估计假设的比例平均模型成立，但下降的泊松过程的假设，用于推导估计。特别是，我们建立了渐近正态性的回归参数$β_0$的估计在适当的假设。结果表明，我们的估计程序是强大的，在这个意义上说，估计收敛到真理，无论潜在的计数过程。
2007-12-05 math.ST stat.TH
Panel Cointegration with Global Stochastic Trends
本文研究了由不可观测的全球随机趋势产生的横截面相关的面板协整模型的估计问题。标准的最小二乘估计，在一般情况下，不一致的，由于虚假诱导的不可观察的I（1）的趋势。我们提出了两个迭代程序来联合估计斜率参数和随机趋势。由此产生的估计量分别被称为CupBC（连续更新和偏差校正）和CupFM（连续更新和完全修改）估计量。我们建立他们的一致性，并得出他们的极限分布。两者都是渐近无偏和渐近混合正态的，并允许使用标准检验统计量进行推断。当存在混合平稳和非平稳因素时，以及当因素都是平稳时，估计也是有效的。
2008-05-13 math.ST stat.ME 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
Least squares estimation in nonstationary nonlinear cohort panels with learning from experience
本文研究具有经验学习的非平稳非线性队列面板，证明非线性最小二乘估计量的一致性与渐近正态性，识别假设检验陷阱并提出解决方案，通过模拟和调查预期面板应用验证理论有效性。
2025-01-06 econ.EM math.ST 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
