Robust Estimation and Inference for High-Dimensional Panel Data Models
高维面板数据模型的稳健估计与推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以高维面板数据及交互效应模型为研究对象，面板数据是最直接方向，未说明特定宏观或金融应用背景。
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…
高维面板数据模型的稳健估计与推断
- 研究问题
- 当面板模型的回归变量数超过样本规模，且误差具有非高斯、异方差及时间和截面相关性时，如何进行可靠估计与推断？
- 方法与思路
- 作者构造两类 Nagaev 型集中不等式，结合 LASSO、逐节点 LASSO 与阈值化 HAC 估计，处理高维参数及长期协方差。
- 材料陈述的贡献
- 摘要称得到 LASSO 的非渐近界、逐节点方法的渐近正态性及阈值化 HAC 的收敛率，并讨论含交互效应的面板应用。
- 阅读关注点
- 应核对矩条件、依赖结构和稀疏性限制，以及截面数、时间长度与变量维度的增长关系和交互效应的处理方式。
- 阅读边界
- 这是 arXiv 预印本摘要，不能据此认定同行评审或期刊接收；具体正则条件、收敛率表达式和实证结果均未在摘要中说明。
原文摘要
This paper provides the relevant literature with a complete toolkit for conducting robust estimation and inference about the parameters of interest involved in a high-dimensional panel data framework. Specifically, (1) we allow for non-Gaussian, serially and cross-sectionally correlated and heteroskedastic error processes, (2) we develop an estimation method for high-dimensional long-run covariance matrix using a thresholded estimator, (3) we also allow for the number of regressors to grow faster than the sample size. Methodologically and technically, we develop two Nagaev--types of concentration inequalities: one for a partial sum and the other for a quadratic form, subject to a set of easily verifiable conditions. Leveraging these two inequalities, we derive a non-asymptotic bound for the LASSO estimator, achieve asymptotic normality via the node-wise LASSO regression, and establish a sharp convergence rate for the thresholded heteroskedasticity and autocorrelation consistent (HAC) estimator. We demonstrate the practical relevance of these theoretical results by investigating a high-dimensional panel data model with interactive effects. Moreover, we conduct extensive numerical studies using simulated and real data examples.