Focused Information Criterion and Model Averaging for Large Panels With a Multifactor Error Structure
多因子误差结构下大型面板的聚焦信息准则与模型平均AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究多因子误差结构下的大型异质面板估计，并以制造业技能工资差距为应用，直接对应面板数据方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
多因子误差结构下大型面板的聚焦信息准则与模型平均
- 研究问题
- 在具有多因子误差结构的大型异质面板中，如何围绕关注目标进行模型选择与平均，并处理估计偏差与方差的权衡及秩条件问题？
- 方法与思路
- 作者在局部渐近框架下研究共同相关效应估计量的极限分布，提出聚焦信息准则和代入式模型平均，以最小化渐近均方误差的样本对应量。
- 材料陈述的贡献
- 摘要称，所提方法可用于秩条件成立或不成立的情形，模拟中通常取得较低均方误差；美国制造业技能工资差距用于展示其应用。
- 阅读关注点
- 重点核对关注目标、局部渐近设定、因子与秩条件的作用、平均权重的构造，以及均方误差比较与工资差距应用的模型设定。
- 阅读边界
- 摘要未列明允许秩条件失效的具体范围、候选模型及模拟基准；所报均方误差优势和工资差距分析，不能据此认定普遍适用或因果识别。
原文摘要
This article considers model selection and model averaging in panel data models with a multifactor error structure. We investigate the limiting distribution of the common correlated effects estimator in a local asymptotic framework and show that the trade-off between bias and variance remains in asymptotic theory. We then propose a focused information criterion and a plug-in averaging estimator for large heterogeneous panels and examine their theoretical properties. The novel feature of the proposed method is that it aims to minimize the sample analog of the asymptotic mean squared error and can be applied to cases irrespective of whether the rank condition holds or not. Monte Carlo simulations show that both proposed selection and averaging methods generally achieve lower mean squared error than other methods. The proposed methods are applied to examine possible causes that lead to the increasing wage inequality between high-skilled and low-skilled workers in the U.S. manufacturing industries.