Growth Determinants Revisited Using Limited‐Information Bayesian Model Averaging
利用有限信息贝叶斯模型平均重新考察经济增长决定因素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：摘要明确使用短时间面板研究经济增长及其动态决定因素，方法与应用均直接对应宏观面板。
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…
利用有限信息贝叶斯模型平均重新考察经济增长决定因素
- 研究问题
- 在时间维度较短的面板中，同时考虑模型不确定性、动态关系与内生性后，哪些因素仍与经济增长保持稳健相关？
- 方法与思路
- 作者提出有限信息贝叶斯模型平均框架，在短时间面板中兼顾模型不确定性、动态性与内生性，并构造不依赖严格分布假设的估计量。
- 材料陈述的贡献
- 摘要称，初始收入及物质、人力资本积累代理变量获得最强支持，政策、地理和族群异质性也获支持；忽略动态性或内生性会改变稳健因素集合。
- 阅读关注点
- 重点核对有限信息的具体含义、动态与内生性处理条件、模型先验与平均权重，以及稳健相关的判据和模拟比较设计。
- 阅读边界
- 摘要未给出样本、完整变量清单、识别条件或效应大小；稳健相关不能直接解释为因果效应，无严格分布假设也不意味着无需其他假设。
原文摘要
Summary We revisit the growth empirics debate using a novel limited‐information Bayesian model averaging framework in short T panels that addresses model uncertainty, dynamics, and endogeneity. We construct an estimator without restrictive distributional assumptions, illustrate its performance using simulations, and apply it to the investigation of growth determinants. Once model uncertainty, dynamics, and endogeneity are accounted for, we identify several factors that are robustly correlated with growth. We find the strongest support for the neoclassical growth variables including initial income and proxies for physical and human capital accumulation, as well as evidence in favor of both fundamental and proximate factors including macroeconomic policy, geography, and ethnic heterogeneity. In addition, we demonstrate that applying methodologies that do not account for either dynamics or endogeneity yields different sets of robust determinants. Copyright © 2015 John Wiley & Sons, Ltd.