Deep Neural Network Estimation in Panel Data Models
面板数据模型中的深度神经网络估计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：摘要明确建立面板数据神经网络估计理论，并开展跨国疫情样本外预测，因此对应面板数据与预测方向。
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
面板数据模型中的深度神经网络估计
- 研究问题
- 如何用深度前馈神经网络估计面板条件均值、探索横截面潜在模式，并用于预测 G7 国家疫情新增病例及解释政策关联？
- 方法与思路
- 作者建立面板条件均值神经网络估计的渐近保证，以疫情数据比较预测表现，并使用偏导数辅助解释政策变量的作用。
- 材料陈述的贡献
- 摘要称相对线性面板和非线性时间序列模型获得显著预测增益，并报告限制政策的样本外预测力及其异质性和时变性。
- 阅读关注点
- 应核对面板依赖结构、网络复杂度和渐近条件、样本外预测设计，以及偏导数如何支持半结构解释和政策效果表述。
- 阅读边界
- 所给版本为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明政策因果识别，预测力和偏导数不能直接确立政策效应。
原文摘要
In this paper we study neural networks and their approximating power in panel data models. We provide asymptotic guarantees on deep feed-forward neural network estimation of the conditional mean, building on the work of Farrell et al. (2021), and explore latent patterns in the cross-section. We use the proposed estimators to forecast the progression of new COVID-19 cases across the G7 countries during the pandemic. We find significant forecasting gains over both linear panel and nonlinear time series models. Containment or lockdown policies, as instigated at the national-level by governments, are found to have out-of-sample predictive power for new COVID-19 cases. We illustrate how the use of partial derivatives can help open the "black-box" of neural networks and facilitate semi-structural analysis: school and workplace closures are found to have been effective policies at restricting the progression of the pandemic across the G7 countries. But our methods illustrate significant heterogeneity and time-variation in the effectiveness of specific containment policies.