Estimation of heterogeneous panels with systematic slope variations
具有系统性斜率变化的异质面板估计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：摘要直接讨论异质斜率面板、合并估计、均值组估计与面板外生性检验。
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
具有系统性斜率变化的异质面板估计
- 研究问题
- 当面板回归变量与个体异质斜率相关时，合并估计、Swamy GLS 和均值组估计会受到什么影响，如何兼顾一致性与估计精度？
- 方法与思路
- 作者借鉴 Mundlak 构造增广回归与合并估计，并基于拉格朗日乘子和 Hausman 原理检验系统性斜率变化，分析渐近性质与局部功效。
- 材料陈述的贡献
- 摘要称，相关设定下合并 OLS 存在严重偏差，固定 T 的 Swamy GLS 不一致；提出的 Mundlak 型方法在所考察模拟中表现更好。
- 阅读关注点
- 应核对系统性斜率变化的具体形式、增广变量构造、均值组一致性条件，以及两项检验的原假设、局部功效和模拟比较范围。
- 阅读边界
- 仅依据所给出版社摘要，无法确认各一致性结论的完整条件；模拟中所有 N、T 组合的优势不等于任意数据过程下都优于其他方法。
原文摘要
We analyse estimation procedures for the panel data models with heterogeneous slopes. Specifically we take into account a possible dependence between regressors and heterogeneous slope coefficients, which is referred to as systematic variation. It is shown that under relevant forms of systematic slope variations (i) the pooled OLS estimator is severely biased, (ii) Swamy’s GLS estimator is inconsistent if the number of time periods T is fixed, whereas (iii) the mean-group estimator always provides consistent estimators at the risk of high variances. Following Mundlak (1978) we propose an augmentated regression which results in a simple and robust version of the pooled estimator. The latter approach avoids the risk of large standard errors of the mean-group estimator, whenever T is small. We also propose two test statistics for systematic slope variation using the Lagrange multiplier and Hausman principles. We derive their asymptotic properties and provide a local power analysis of both test statistics. Monte Carlo experiments corroborate our theoretical findings and show that for all combinations of N and T the Mundlak-type GLS estimator outperform all other estimators.