Unified Inference for Panel Autoregressive Models With Unobserved Grouped Heterogeneity
具有不可观测分组异质性的面板自回归模型统一推断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：摘要明确研究面板自回归与潜在分组异质性，涵盖单位根和爆炸过程，并应用于企业层面股票序列。
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
具有不可观测分组异质性的面板自回归模型统一推断
- 研究问题
- 当面板中各时间序列的持续性具有未知分组结构，且可能平稳、单位根、近单位根或爆炸时，如何统一估计分组与自回归系数？
- 方法与思路
- 作者提出惩罚加权最小二乘方法，以 Lasso 型估计量同时识别潜在组别并估计面板自回归系数，统一处理不同持续性状态。
- 材料陈述的贡献
- 摘要称建立分组一致性、预言性质及统一渐近正态分布，并在美国股票市场应用中识别此前研究未计入的企业层面潜在泡沫。
- 阅读关注点
- 应核对面板维度增长方式、组间可分性、惩罚项和权重选择，以及不同持续性状态下统一推断与泡沫判定的条件。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；分组恢复条件及泡沫判定细节未说明，实证泡沫结论尚无法独立核验，也不能推断后续刊本变化。
原文摘要
This paper considers unified estimation and inference in panel autoregressive (PAR) models. The PAR coefficients are assumed to contain a latent group structure that allows the degree of persistence for each time series to be heterogeneous and unknown. We propose a novel penalized weighted least squares approach to simultaneously identify the unknown group membership and consistently estimate the PAR coefficients, regardless of whether the underlying PAR process is stationary, unit-root, near-integrated, or even explosive. Theoretically, we establish the classification consistency, oracle properties, and unified asymptotic normal distributions for the proposed Lasso-type estimators. Empirically, we apply our data-driven method to uncover the existence of firm-level hidden bubbles in the U.S. stock market that have not been accounted for in previous studies.