Determining individual or time effects in panel data models
面板数据模型中个体效应与时间效应的判定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：摘要研究线性面板效应选择，应用同时涉及地区犯罪率和跨国储蓄率面板。
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
面板数据模型中个体效应与时间效应的判定
- 研究问题
- 在线性面板模型中，如何判定应包含个体效应、时间效应或两者，并使模型选择能够适应不同强度的误差序列相关？
- 方法与思路
- 作者提出刀切法模型选择准则，在弱序列及截面相关下分析选择一致性，并针对中强程度序列相关修改准则函数。
- 材料陈述的贡献
- 摘要称原准则及修改后的准则在相应条件下均以趋近于一的概率选择正确模型，并以模拟和犯罪率、储蓄率应用展示表现。
- 阅读关注点
- 应核对相关强度的定义、候选效应模型与渐近维度设定，并检查修改准则如何处理序列相关及是否仍限制截面相关。
- 阅读边界
- 仅据所给出版社摘要，不能认为修改准则覆盖任意强截面相关；摘要未说明完整条件、有限样本误选率及各应用的选择结果。
原文摘要
In this paper we propose a jackknife method to determine individual and time effects in linear panel data models. We first show that when both the serial and cross-sectional correlations among the idiosyncratic error terms are weak, our jackknife method can pick up the correct model with probability approaching one (w.p.a.1). In the presence of moderate or strong degree of serial correlation, we modify our jackknife criterion function and show that the modified jackknife method can also select the correct model w.p.a.1. We conduct Monte Carlo simulations to show that our new methods perform remarkably well in finite samples. We apply our methods to study i the crime rates in North Carolina, ii the determinants of saving rates across countries, and iii the relationship between guns and crime rates in the U.S.