Sieve estimation of panel data models with cross section dependence
存在横截面依赖的面板数据模型筛估计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：摘要明确研究面板横截面依赖，并通过线性共同因子和共同相关效应方法处理它。
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
存在横截面依赖的面板数据模型筛估计
- 研究问题
- 当个体解释变量以非参数形式进入、共同因子线性进入，且面板存在横截面依赖时，如何估计同质或异质的回归函数并进行推断？
- 方法与思路
- 作者在时间和横截面维度均较大的半参数面板中，将共同相关效应方法扩展为非参数回归函数的筛估计，并构造渐近方差估计。
- 材料陈述的贡献
- 摘要提出适用于同质和异质关系的筛估计，推导渐近正态分布并提供方差估计量，模拟称其具有较好的有限样本表现。
- 阅读关注点
- 应核对共同因子的处理、筛基与维数选择、两个面板维度的增长关系，以及同质和异质估计对应的推断对象与条件。
- 阅读边界
- 仅据所给出版社摘要，无法判断共同因子数量、依赖强度或筛逼近条件；模拟表现也不能扩展为小面板中的普遍有效性。
原文摘要
In this paper we consider the problem of estimating semiparametric panel data models with cross section dependence, where the individual-specific regressors enter the model nonparametrically whereas the common factors enter the model linearly. We consider both heterogeneous and homogeneous regression relationships when both the time and cross-section dimensions are large. We propose sieve estimators for the nonparametric regression functions by extending Pesaran’s (2006) common correlated effect (CCE) estimator to our semiparametric framework. Asymptotic normal distributions for the proposed estimators are derived and asymptotic variance estimators are provided. Monte Carlo simulations indicate that our estimators perform well in finite samples.