Large-Scale Generalized Linear Models for Longitudinal Data with Grouped Patterns of Unobserved Heterogeneity
具有分组未观测异质性的大规模纵向广义线性模型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：摘要核心是纵向数据中的未知个体分组、交互固定效应与未观测异质性，因此优先归入面板数据。
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
具有分组未观测异质性的大规模纵向广义线性模型
- 研究问题
- 研究如何在指数族纵向模型中同时处理未知个体分组和组特定未观测因子结构，并检验组内回归系数异质性。
- 方法与思路
- 作者建立带未知分组及交互固定效应的广义线性模型，讨论高效估计方法，并提出允许未观测异质性的 Swamy 型检验。
- 材料陈述的贡献
- 摘要称，建立分组估计的一致性及相关渐近理论；模型涵盖 probit、logit 和 Poisson，并应用于纽约出租车市场。
- 阅读关注点
- 应核对分组与因子结构如何区分、分组数和因子数如何确定，以及组别一致性和组内系数检验的条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断分组识别强度或应用中的具体经济结论；理论条件与后续刊本变化未核验。
原文摘要
This article provides methods for flexibly capturing unobservable heterogeneity from longitudinal data in the context of an exponential family of distributions. The group memberships of individual units are left unspecified, and their heterogeneity is influenced by group-specific unobservable factor structures. The model includes, as special cases, probit, logit, and Poisson regressions with interactive fixed effects along with unknown group membership. We discuss a computationally efficient estimation method and derive the corresponding asymptotic theory. Uniform consistency of the estimated group membership is established. To test heterogeneous regression coefficients within groups, we propose a Swamy-type test that allows for unobserved heterogeneity. We apply the proposed method to the study of market structure of the taxi industry in New York City. Our method unveils interesting and important insights from large-scale longitudinal data that consist of over 450 million data points.