Network-Based Clustering for Varying Coefficient Panel Data Models
变系数面板数据模型的网络聚类方法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：摘要明确研究变系数面板模型，并通过个体系数函数估计与潜在分组识别处理面板数据中的个体异质性。
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…
变系数面板数据模型的网络聚类方法
- 研究问题
- 当回归变量局部平稳、个体系数为未知函数且分组数与成员均不明确时，如何估计变系数面板模型并识别潜在组别？
- 方法与思路
- 作者以三重局部化估计个体系数函数，再借助社区检测识别潜在分组，并提出两阶段估计以提高初步估计的效率。
- 材料陈述的贡献
- 摘要称两阶段估计达到最优收敛速率，并给出估计量的渐近理论；模拟与真实数据分析用于展示有限样本表现。
- 阅读关注点
- 重点核对局部平稳的具体条件、三重局部化的调参方式，以及分组可识别性和分组误差对第二阶段估计的影响。
- 阅读边界
- 摘要未说明分组识别条件、样本维度增长方式或应用数据细节；不能仅凭摘要判断最优速率和效率改善的适用范围。
原文摘要
In this article, we introduce a novel varying-coefficient panel-data model with locally stationary regressors and unknown group structure, in which the number of groups and the group membership are left unspecified. We develop a triple-localization approach to estimate the unknown subject-specific coefficient functions and then identify the latent group structure via community detection. To improve the efficiency of the first-stage estimator, we further propose a two-stage estimation method that enables the estimator to achieve optimal rates of convergence. In the theoretical part of the article, we derive the asymptotic theory of the resultant estimators. In the empirical part, we present several simulated examples together with an analysis of real data to illustrate the finite-sample performance of the proposed method.