Inference and testing breaks in large dynamic panels with strong cross sectional dependence
强横截面相关下大规模动态面板的推断与时间断点检验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：摘要的核心对象是含强横截面相关的大规模动态面板及其斜率参数检验。
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
强横截面相关下大规模动态面板的推断与时间断点检验
- 研究问题
- 当个体数与时间长度同时增大且可能存在强横截面相关时，如何推断动态面板的斜率参数并检验时间维度上的断点或同质性？
- 方法与思路
- 作者先建立斜率估计量的中心极限定理，再提出 CUSUM 与 Hausman–Durbin–Wu 两类检验，并用无需知道横截面依赖模型的 bootstrap 求临界值。
- 材料陈述的贡献
- 摘要称，检验对仅涉及少量个体或发生在样本末端的变化仍有非平凡功效，不受附带参数问题影响，并给出 bootstrap 的渐近有效性。
- 阅读关注点
- 核对个体数与时间长度的增长条件、强相关的容许形式，以及少量个体发生变化和末端断点时的备择设定与功效结论。
- 阅读边界
- 仅据所给出版社摘要，无法判断依赖结构与动态设定的具体限制；模拟表现和经济数据应用均未给出可核验的数值或详细说明。
原文摘要
In this paper we provide a new Central Limit Theorem for estimators of the slope papers in large dynamic panel data models (where both n and T increase without bound) in the presence of, possibly, strong cross-sectional dependence. We proceed by providing two related tests for breaks/homogeneity in the time dimension. The first test is based on the CUSUM principle; the second test is based on a Hausman–Durbin–Wu approach. Some of the key features of the tests are that they have nontrivial power when the number of individuals, for which the slope parameters may differ, is a “negligible” fraction or when the break happens to be towards the end of the sample, and do not suffer from the incidental parameter problem. We provide a simple bootstrap algorithm to obtain (asymptotic) valid critical values for our statistics. An important feature of the bootstrap is that there is no need to know the underlying model of the cross-sectional dependence. A Monte-Carlo simulation analysis sheds some light on the small sample behaviour of the tests and their bootstrap analogues. We implement our test to some real economic data.