Sieve Estimation of Time-Varying Panel Data Models With Latent Structures
具有潜在分组结构的时变面板模型的筛估计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：摘要的方法针对时变异质面板，并以 91 国人均 GDP 的长期面板为应用，最直接对应宏观面板方向。
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
具有潜在分组结构的时变面板模型的筛估计
- 研究问题
- 如何在系数随时间平滑变化、个体属于未知分组的异质面板中，同时识别个体的组别归属，并估计各组特有的系数函数？
- 方法与思路
- 作者设定组内系数函数相同、组间不同，以惩罚筛估计构造分类 Lasso，将个体分组识别与组别系数函数估计合并为一步。
- 材料陈述的贡献
- 摘要称，分类具有均匀一致性，原估计及 post-Lasso 版本具有 oracle 性质；1960—2012 年的 91 国人均 GDP 应用得到四组。
- 阅读关注点
- 全文应核对均匀一致性和 oracle 性质的具体条件、筛维数与惩罚参数选择、组数如何确定，以及四组实证结果的稳健性。
- 阅读边界
- 摘要未列出理论所需的完整条件、组数选择规则或置信区间构造；模拟表现与四组实证结果不能直接保证其他面板下同样有效。
原文摘要
We propose a heterogeneous time-varying panel data model with a latent group structure that allows the coefficients to vary over both individuals and time. We assume that the coefficients change smoothly over time and form different unobserved groups. When treated as smooth functions of time, the individual functional coefficients are heterogeneous across groups but homogeneous within a group. We propose a penalized-sieve-estimation-based classifier-Lasso (C-Lasso) procedure to identify the individuals’ membership and to estimate the group-specific functional coefficients in a single step. The classification exhibits the desirable property of uniform consistency. The C-Lasso estimators and their post-Lasso versions achieve the oracle property so that the group-specific functional coefficients can be estimated as well as if the individuals’ membership were known. Several extensions are discussed. Simulations demonstrate excellent finite sample performance of the approach in both classification and estimation. We apply our method to study the heterogeneous trending behavior of GDP per capita across 91 countries for the period 1960–2012 and find four latent groups.