Extending Prais-Winsten Regression to Panel Data with Higher-Order Autoregressive Errors: A Simulation Study
将 Prais–Winsten 回归扩展至高阶自回归误差面板：模拟研究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：摘要明确研究面板估计，同时围绕 AR(k) 误差、序列长度和自相关阶数比较推断表现，涉及面板与时间序列方法。
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
将 Prais–Winsten 回归扩展至高阶自回归误差面板：模拟研究
- 研究问题
- 在存在高阶自回归误差的面板中，Prais–Winsten 扩展与 Driscoll–Kraay 方法的有限样本推断表现有何差异？
- 方法与思路
- 作者在 PCSE 框架内扩展 AR(k) GLS 变换并实现 xtpraisk，通过多种阶数、相关情形及样本规模的模拟与 xtscc 比较。
- 材料陈述的贡献
- 摘要称，所考察条件下 xtpraisk 功效更高且推断校准接近名义水平；xtscc 在短序列下低估标准误并提高一类错误率。
- 阅读关注点
- 应核对误差生成机制、两种实现的具体设置，以及自回归阶数误设和横截面相关实验是否覆盖实际使用中的关键情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；比较结论限于摘要所述模拟，不能据此推断所有面板下均更优。
原文摘要
We extend the Prais-Winsten AR(k) generalized least squares (GLS) transformation to panel data within the Beck-Katz panel-corrected standard error (PCSE) framework and implement the method in the community-contributed Stata package xtpraisk. As the panel extension of Prais-Winsten, xtpraisk is the natural comparator to xtscc, the panel extension of Newey-West and implementation of the Driscoll-Kraay estimator. We conduct a Monte Carlo simulation to validate the statistical properties of xtpraisk and compare its finite-sample performance with xtscc. The simulation spans autoregressive orders 1-3, three autocorrelation scenarios, three panel sizes, six series lengths, and five effect sizes, with 2,000 replications per condition. Across all conditions, xtpraisk achieved higher power than xtscc while maintaining near-nominal Type I error rates, confidence interval coverage, and standard error calibration. In contrast, xtscc exhibited systematic standard error underestimation and inflated Type I error at short series lengths, with both deficiencies worsening as autoregressive order increased. Both estimators were essentially unbiased. Misspecification of the autoregressive order did not degrade xtpraisk's inferential performance, and cross-panel correlation and panel size had negligible effects on the relative performance of either estimator. The results indicate that xtpraisk is preferable when both statistical efficiency and valid inference are priorities, particularly under persistent higher-order autocorrelation and short to moderate series lengths.