Markov switching panel with endogenous synchronization effects
具有内生同步效应的马尔可夫转换面板模型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：摘要构建动态转换面板，并明确应用于美国各州经济同步指标。
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…
具有内生同步效应的马尔可夫转换面板模型
- 研究问题
- 如何刻画多个序列潜在状态之间的内生同步，并区分多层网络中外生与内生连接对可观测经济动态的作用？
- 方法与思路
- 作者以序列特定的潜在马尔可夫链驱动动态，加入多层网络互动，并通过贝叶斯框架与 MCMC 联合估计参数、状态和内生网络。
- 材料陈述的贡献
- 摘要称，论文提供模型性质与计算方法；美国各州同步指标应用显示网络效应产生经济同步，并提出分析连接性政策的工具。
- 阅读关注点
- 应核对内生网络与共同冲击的区分、潜在状态和连接层的识别，以及政策改变连接性时模型输出如何解释。
- 阅读边界
- OpenAlex 摘要未提供具体理论条件、先验或应用数值；模型中的网络解释及政策用途不能仅凭摘要视为已识别的因果效应。
原文摘要
This paper introduces a new dynamic panel model with multi-layer network effects. Series-specific latent Markov chain processes drive the dynamics of the observable processes, and several types of interaction effects among the hidden chains allow for various degrees of endogenous synchronization of both latent and observable processes. The interaction is driven by a multi-layer network with exogenous and endogenous connectivity layers. We provide some theoretical properties of the model, develop a Bayesian inference framework and an efficient Markov Chain Monte Carlo algorithm for estimating parameters, latent states, and endogenous network layers. An application to the US-state coincident indicators shows that the synchronization in the US economy is generated by network effects among the states. The inclusion of a multi-layer network provides a new tool for measuring the effects of the public policies that impact the connectivity between the US states, such as mobility restrictions or job support schemes. The proposed new model and the related inference are general and may find application in a wide spectrum of datasets where the extraction of endogenous interaction effects is relevant and of interest.