Debiased Fixed Effects Estimation of Binary Logit Models with Three-Dimensional Panel Data
三维面板二元 Logit 模型的去偏固定效应估计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。
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：摘要明确涉及三维固定效应面板、二元 Logit 模型，以及发送者与接收者之间的网络关系。
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
三维面板二元 Logit 模型的去偏固定效应估计
- 研究问题
- 在包含三组相互重叠固定效应的三维二元 Logit 面板模型中，偶然参数偏误如何影响推断，又如何对估计量进行去偏？
- 方法与思路
- 作者在三个面板维度按固定相对速度共同增长的渐近框架下刻画主要偏误，并推导显式去偏表达式，涵盖发送者与接收者的网络面板。
- 材料陈述的贡献
- 摘要称朴素估计的偏误与标准差阶数无法平衡，导致渐近分布退化，推断问题比若干既有固定效应模型更严重，并提出显式去偏方案。
- 阅读关注点
- 应核对三组固定效应的模型结构、面板维度增长条件、偏误展开及修正后推断性质，尤其是网络关系中依赖性如何处理。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整正则条件、去偏后分布或有限样本表现。
原文摘要
Naive maximum likelihood estimation of binary logit models with fixed effects leads to unreliable inference due to the incidental parameter problem. We study the case of three-dimensional panel data, where the model includes three sets of additive and overlapping unobserved effects. This encompasses models for network panel data, where senders and receivers maintain bilateral relationships over time, and fixed effects account for unobserved heterogeneity at the sender-time, receiver-time, and sender-receiver levels. In an asymptotic framework, where all three panel dimensions grow large at constant relative rates, we characterize the leading bias of the naive estimator. The inference problem we identify is particularly severe, as it is not possible to balance the order of the bias and the standard deviation. As a consequence, the naive estimator has a degenerating asymptotic distribution, which exacerbates the inference problem relative to other fixed effects estimators studied in the literature. To resolve the inference problem, we derive explicit expressions to debias the fixed effects estimator.