Arellano-Bond LASSO Estimator for Dynamic Linear Panel Models
动态线性面板模型的 Arellano–Bond LASSO 估计量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：摘要核心是动态线性面板中的矩条件选择与工具变量估计，并使用县级周度面板展示应用。
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…
动态线性面板模型的 Arellano–Bond LASSO 估计量
- 研究问题
- 当动态面板的时间维度较长、工具变量过多导致 Arellano–Bond 偏差时，如何筛选矩条件并维持有效估计与推断？
- 方法与思路
- 作者先在每期横截面上利用矩条件的近似稀疏性实施 LASSO，再用筛选矩条件构造工具变量，进行线性工具变量估计。
- 材料陈述的贡献
- 摘要称，双维度增长下新估计量具有一致性和渐近正态性，对时间维度的条件更弱，并覆盖高维协变量和多个因变量滞后。
- 阅读关注点
- 应核对矩条件有效性、近似稀疏要求、惩罚选择、两维增长限制和标准误构造，以及政策应用如何满足动态面板假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出具体增长条件或政策效应数值，不能据此断言所有长面板均表现更好。
原文摘要
The Arellano-Bond estimator is a fundamental method for dynamic panel data models, widely used in practice. It can be severely biased when the time series dimension of the data, $T$, is long. The source of the bias is the large degree of overidentification. We propose a simple two-step approach to deal with this problem. The first step applies LASSO to the cross-section data at each time period to select the most informative moment conditions, exploiting the approximately sparse structure of these conditions. The second step applies a linear instrumental variable estimator using the instruments constructed from the moment conditions selected in the first step. Using asymptotic sequences where the two dimensions of the panel grow with the sample size, we show that the new estimator is consistent and asymptotically normal under much weaker conditions on $T$ than the Arellano-Bond estimator. Our theory covers models with high-dimensional covariates including multiple lags of the dependent variable and strictly exogenous covariates, which are becoming common in modern applications. We illustrate our approach by applying it to weekly county-level panel data from the United States to study opening K-12 schools and other mitigation policies' short and long-term effects on COVID-19's spread.