Density Forecasts in Panel Data Models: A Semiparametric Bayesian Perspective
面板数据模型中的密度预测：半参数贝叶斯视角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：摘要明确研究企业或家庭动态面板及个体密度预测，对应面板数据与预测方向。
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…
关注这篇论文的作者
面板数据模型中的密度预测：半参数贝叶斯视角
- 研究问题
- 在横截面大、时间维度短的企业或家庭面板中，如何区分个体异质性与随机冲击，并形成可靠的个体密度预测？
- 方法与思路
- 作者使用动态线性面板模型，非参数建模异质参数分布，允许其关联初始条件和个体回归量，并汇集面板信息进行后验抽样。
- 材料陈述的贡献
- 摘要称，在横截面同方差情形下获得参数与异质分布的后验一致性及预测的预言机收敛，并报告模拟和年轻企业应用中的改善。
- 阅读关注点
- 应核对异质分布的建模方式、后验一致性的条件和预测收敛度量，尤其关注理论同方差限制与模型允许异方差之间的关系。
- 阅读边界
- 仅据 OpenAlex 所载摘要，不能将同方差情形的理论结论推广至全部异方差模型；具体预测改进幅度和刊本变化均未说明。
原文摘要
This article constructs individual-specific density forecasts for a panel of firms or households using a dynamic linear model with common and heterogeneous coefficients as well as cross-sectional heteroscedasticity. The panel considered in this article features a large cross-sectional dimension N but short time series T. Due to the short T, traditional methods have difficulty in disentangling the heterogeneous parameters from the shocks, which contaminates the estimates of the heterogeneous parameters. To tackle this problem, I assume that there is an underlying distribution of heterogeneous parameters, model this distribution nonparametrically allowing for correlation between heterogeneous parameters and initial conditions as well as individual-specific regressors, and then estimate this distribution by combining information from the whole panel. Theoretically, I prove that in cross-sectional homoscedastic cases, both the estimated common parameters and the estimated distribution of the heterogeneous parameters achieve posterior consistency, and that the density forecasts asymptotically converge to the oracle forecast. Methodologically, I develop a simulation-based posterior sampling algorithm specifically addressing the nonparametric density estimation of unobserved heterogeneous parameters. Monte Carlo simulations and an empirical application to young firm dynamics demonstrate improvements in density forecasts relative to alternative approaches.