A regularization approach to common correlated effects estimation
共同相关效应估计的正则化方法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：摘要明确研究带共同因子的面板回归及共同相关效应估计。
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
共同相关效应估计的正则化方法
- 研究问题
- 研究共同相关效应估计为何对截面均值的数量及观测变量的静态因子表示敏感，以及如何改善估计与置信区间构造。
- 方法与思路
- 作者对截面均值进行适当正则化，以扩展 CCE 面板回归的适用范围，并建议采用截面 bootstrap 纳入估计不确定性。
- 材料陈述的贡献
- 摘要称正则化可解决文献中记录的大部分相关问题，并以真实数据和模拟展示方法；同时指出常规代入方差估计的不足。
- 阅读关注点
- 应核对正则化形式与调参方式、共同因子的可恢复条件，以及截面 bootstrap 在横截面依赖下为何能够有效推断。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；正则化与重抽样的具体条件未说明，不能认定其解决全部 CCE 问题。
原文摘要
Summary Cross‐section average‐augmented panel regressions introduced by Pesaran (2006) have been a popular empirical tool to estimate panel data models with common factors. However, the corresponding common correlated effects (CCEs) estimator can be sensitive to the number of cross‐section averages used and/or the static factor representation for observables. In this paper, we show that most of the corresponding problems documented in the literature can be solved once cross‐section averages are appropriately regularized, thus extending the applicability of the CCE setup. As the standard plug‐in variance estimators are not able to account for all sources of estimation uncertainty, we suggest the use of cross‐section bootstrap to construct confidence intervals. The proposed procedure is illustrated both using real and simulated data.