Likelihood approach to dynamic panel models with interactive effects
具有交互效应的动态面板模型似然方法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：摘要明确研究动态面板，并以相关因子误差和交互效应作为核心模型结构。
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
具有交互效应的动态面板模型似然方法
- 研究问题
- 当动态面板误差具有与解释变量相关的因子结构时，如何同时适用于短面板和长面板，并避免个体效应引起的附带参数偏差？
- 方法与思路
- 作者利用联立系统均值与协方差之间的约束构建准完全信息最大似然，将因子过程视为参数而不估计个体效应，并开发快速算法。
- 材料陈述的贡献
- 摘要称固定或较大时间维度下不存在附带参数偏差，估计误差经根号 NT 标准化仍无渐近偏移，并讨论效率及可行计算。
- 阅读关注点
- 应核对因子数量、初始条件和误差矩条件、均值协方差约束的具体形式，以及短长面板的渐近框架、效率结论和算法实现。
- 阅读边界
- 仅依据所给 OpenAlex 摘要版本；无偏差与快速收敛结论的具体条件未说明，因子动态可任意并不意味着整个模型不受其他限制。
原文摘要
This paper studies dynamic panel models with a factor error structure that is correlated with the regressors. Both short panels (small T) and long panels (large T) are considered. A dynamic panel forms a simultaneous-equation system, and under the factor error structure, there exist constraints between the mean and the covariance matrix. We explore the constraints through a quasi-FIML (full information maximum likelihood) approach. The quasi-FIML approach does not estimate individual effects, even if they are fixed constants, thus circumventing the incidental parameters problem in the cross-sectional dimension. The factor process is treated as parameters and it can have arbitrary dynamics. We show that there is no incidental parameters bias, for fixed or large T, and that the estimator is centered at zero even when scaled by the fast convergence rate of root-NT. We also study the efficiency of the quasi-FIML estimator. Finally, we develop a feasible and fast algorithm for computing the quasi-FIML estimators under interactive effects.