Identifying latent group structures in spatial dynamic panels
空间动态面板中潜在群组结构的识别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：摘要直接研究含双向固定效应、空间依赖和动态项的面板模型，以及个体潜在分组，最明确对应面板数据方向。
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
空间动态面板中潜在群组结构的识别
- 研究问题
- 在含双向固定效应的空间动态面板中，当群组数量与成员归属均未知时，如何识别组内共同、组间不同的斜率参数结构？
- 方法与思路
- 作者先用GMM获得不受分组约束的斜率初估计，再用序贯二元分割算法聚类，并以BIC型信息准则选择群组数量。
- 材料陈述的贡献
- 摘要称，该方法能够一致识别真实分组，分类后估计量具有预言性质；模拟表现良好，美国住房市场应用识别出两个都市区群组。
- 阅读关注点
- 应核对空间权重、动态项与固定效应的处理，以及群组分离条件、初估计误差如何影响聚类和分类后推断。
- 阅读边界
- 仅依据所给出版社摘要；一致性与预言性质的具体条件、模拟设计和误分类表现未说明，不能据此判断任意空间面板中的适用性。
原文摘要
This paper considers the identification of latent group structures in spatial dynamic panels. We follow Lee and Yu (2010) and consider a rich spatial dynamic panel data (SDPD) model with two-way fixed effects. In addition, we also allow for latent panel structures where individuals can be classified into a few groups such that individuals within the same group share the common slope parameters and do not otherwise. Both the number of groups and the individuals’ group membership are unknown. To identify the latent group structures, we first adopt the GMM to obtain the preliminary unconstrained estimates of the slope coefficients. Then we apply the sequential binary segmentation algorithm (SBSA) of Wang and Su (2021) to these estimates and obtain the clusters. A BIC-type information criterion is proposed to choose the number of latent groups consistently. The asymptotic analysis shows that this method can identify the true group structure consistently, and the post-classification estimators enjoy the oracle property. Monte Carlo simulations demonstrate that our method has good finite sample performance. Finally, we apply our approach to the US housing market and identify two latent Metropolitan Statistical Areas groups.