Nonparametric methods and local‐time‐based estimation for dynamic power law distributions
动态幂律分布的非参数方法与基于局部时间的估计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：摘要直接研究按排名刻画的横截面分布，并提出利用面板数据估计其决定因素的方法。
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
动态幂律分布的非参数方法与基于局部时间的估计
- 研究问题
- 在基本稳定性条件下，随机增长过程的稳态分布如何由不同排名的波动率与回归速率决定，又如何估计这些因素并用于商品价格预测？
- 方法与思路
- 作者在随机增长框架中刻画稳态分布，以不同排名的个体波动率和横截面均值回归速率为核心，并提出利用面板数据估计的方法。
- 材料陈述的贡献
- 摘要称，满足相关条件的稳态分布完全由上述两类因素决定；商品价格应用中，排名预测在一个月期样本外比较中优于随机游走。
- 阅读关注点
- 核对基本稳定性条件、排名过程的定义及局部时间如何用于估计，关注分布刻画怎样导出预测，以及一个月期比较的具体设计。
- 阅读边界
- 摘要未给出稳定性条件、估计误差或预测检验细节；题名提及的局部时间构造也未展开，不能将预测优势外推至其他期限。
原文摘要
Summary This paper introduces nonparametric econometric methods that characterize general power law distributions under basic stability conditions. These methods extend the literature on power laws in the social sciences in several directions. First, we show that any stationary distribution in a random growth setting is shaped entirely by two factors: the idiosyncratic volatilities and reversion rates (a measure of cross‐sectional mean reversion) for different ranks in the distribution. This result is valid regardless of how growth rates and volatilities vary across different economic agents, and hence applies to Gibrat's law and its extensions. Second, we present techniques to estimate these two factors using panel data. Third, we describe how our results imply predictability as higher‐ranked processes must on average grow more slowly than lower‐ranked processes. We employ our empirical methods using data on commodity prices and show that our techniques accurately describe the empirical distribution of relative commodity prices. We also show that rank‐based out‐of‐sample forecasts of future commodity prices outperform random‐walk forecasts at a 1‐month horizon.