A Bayesian approach to modeling economic growth: Variable selection and cross-sectional dependence
经济增长建模的贝叶斯方法：变量选择与截面依赖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：摘要研究跨国长期增长数据，并用多因子结构处理国家间截面依赖，直接对应宏观面板与因子模型。
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…
经济增长建模的贝叶斯方法：变量选择与截面依赖
- 研究问题
- 跨国经济增长回归中，如何同时筛选众多候选解释变量并处理国家间的截面依赖，避免将两类问题分开处理？
- 方法与思路
- 作者以多因子结构描述截面依赖，以稀疏系数进行变量选择，并为该模型提出贝叶斯自适应 LASSO 估计方法。
- 材料陈述的贡献
- 摘要称模拟及跨国应用优于三个基准模型；在涉及71国、55个候选变量的应用中，识别出5个全球因子和16个增长决定因素。
- 阅读关注点
- 应核对先验与惩罚设定、因子和系数的识别、三个基准及评价指标，并检查工具变量稳健性分析支持何种结论。
- 阅读边界
- 仅依据所给出版社摘要；优越性与稳健性均为作者报告，摘要未给比较数值，也不足以确认增长决定因素的因果含义。
原文摘要
This paper introduces a Bayesian framework designed to address two critical econometric challenges in empirical growth studies: variable selection and cross-sectional dependence. We first propose a growth regression model that incorporates cross-sectional dependence through a multi-factor structure and accounts for variable selection with sparse coefficients. We then introduce a new Bayesian Adaptive LASSO estimator specifically designed for this model, capable of performing variable selection while simultaneously addressing cross-sectional dependence. To validate this framework, we conduct a Monte Carlo study, demonstrating that our Adaptive Bayesian LASSO growth regression model with a factor structure consistently outperforms three benchmark models across all evaluation metrics. Furthermore, we apply our model to a dataset encompassing 55 candidate variables across 71 countries from 1961 to 2019. Our empirical comparison confirms the superiority of our model over the benchmark models. Additionally, our model identifies five global factors and 16 key growth determinants, with robustness checks using Principal Component Analysis and instrumental variables confirming the reliability of our findings.