Identification without assuming mean stationarity: quasi–maximum likelihood estimation of dynamic panel models with endogenous regressors
无需均值平稳假设的识别：含内生解释变量动态面板模型的拟极大似然估计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：题名和摘要明确研究含内生解释变量、个体效应及动态结构的面板模型。
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…
关注这篇论文的作者
无需均值平稳假设的识别：含内生解释变量动态面板模型的拟极大似然估计
- 研究问题
- 面对高度持久数据造成的弱工具变量问题，如何在不要求均值平稳的情况下估计含预定或内生解释变量的动态面板模型？
- 方法与思路
- 作者提出随机效应与固定效应的有限信息拟极大似然估计，利用两步控制函数将解释变量第一阶段模型的残差纳入结果方程。
- 材料陈述的贡献
- 摘要称，这些估计量的一致性不要求系统 GMM 所用的均值平稳条件，并讨论时变个体效应及与其他估计方法的比较。
- 阅读关注点
- 应核对替代均值平稳条件的识别限制、初始条件与第一阶段设定，以及生成残差和时变个体效应如何影响一致性与推断。
- 阅读边界
- 摘要未列出完整识别条件、误差分布要求或比较设计，不能将无需均值平稳理解为无需其他初始条件或外生性限制。
原文摘要
Summary Linear generalised method of moments (GMM) estimators for dynamic panel models with predetermined or endogenous regressors suffer from a weak instruments problem when the data are highly persistent. In this paper, we propose new random- and fixed-effects limited-information quasi–maximum likelihood estimators (LIQMLEs) for such models. We also discuss LIQMLEs for models that contain time-varying individual effects. Unlike system GMM estimators, the LIQMLEs do not require mean stationarity conditions for consistency. Such conditions often do not hold for the models we consider. Our LIQMLEs are based on a two-step control function approach that includes the first-stage model residuals for a predetermined or endogenous regressor in the outcome equation. The LIMLEs are more precise than nonlinear GMM estimators that are based on the original outcome equation. The LIQMLEs also compare favourably to various alternative (quasi–) maximum likelihood estimators in terms of precision, robustness, and/or ease of computation.