Lagrange multiplier type tests for slope homogeneity in panel data models
面板数据模型中斜率同质性的拉格朗日乘数型检验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：摘要直接研究面板截面单位之间的斜率同质性及相关检验。
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…
面板数据模型中斜率同质性的拉格朗日乘数型检验
- 研究问题
- 如何检验面板各截面单位的回归系数是否相同，并使检验适应非正态、异方差和序列相关误差？
- 方法与思路
- 作者将LM原理推广至全部回归系数，通过得分统计量修正和辅助回归，构造适用于不同误差情形的检验。
- 材料陈述的贡献
- 摘要称给出极限分布和固定时间维度下的非正态稳健修正，模拟显示时间维度较小时可能具有较高功效。
- 阅读关注点
- 核对各稳健版本分别允许哪些误差结构、固定与增长时间维度下的条件，以及功效比较是否控制实际检验水平。
- 阅读边界
- 摘要未列出全部渐近条件，也未说明各种稳健性能否同时成立；模拟中的功效优势不能推广至所有异质性形式。
原文摘要
In this paper, we employ the Lagrange multiplier (LM) principle to test parameter homogeneity across cross‐section units in panel data models. The test can be seen as a generalization of the Breusch–Pagan test against random individual effects to all regression coefficients. While the original test procedure assumes a likelihood framework under normality, several useful variants of the LM test are presented to allow for non‐normality, heteroscedasticity and serially correlated errors. Moreover, the tests can be conveniently computed via simple artificial regressions. We derive the limiting distribution of the LM test and show that if the errors are not normally distributed, the original LM test is asymptotically valid if the number of time periods tends to infinity. A simple modification of the score statistic yields an LM test that is robust to non‐normality if the number of time periods is fixed. Further adjustments provide versions of the LM test that are robust to heteroscedasticity and serial correlation. We compare the local power of our tests and the statistic proposed by Pesaran and Yamagata. The results of the Monte Carlo experiments suggest that the LM‐type test can be substantially more powerful, in particular, when the number of time periods is small.