Analysis of Multiple Long-Run Relations in Panel Data Models
面板数据模型中多重长期关系的分析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：摘要明确研究面板长期关系，并分别使用企业数据和跨国宏观数据开展应用。
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…
面板数据模型中多重长期关系的分析
- 研究问题
- 当横截面维度大于时间维度时，如何估计面板中的长期关系数量及其系数，并在两个维度共同增长时开展统计推断？
- 方法与思路
- 作者用子样本时间均值相对全样本均值的偏差过滤短期动态，再通过这些偏差的合并协方差矩阵的特征值与特征向量估计长期关系。
- 材料陈述的贡献
- 摘要称，当时间维度约为横截面维度的 d 次方时，d>0 支持一致性，d>1/2 支持渐近正态性，并提供模拟及微观、宏观应用。
- 阅读关注点
- 应核对长期关系的定义、横截面依赖与动态过程的限制，以及子样本划分、关系数量选择和渐近推断所需的其他条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明完整正则条件、有限样本误差或应用中的具体估计结果。
原文摘要
The literature on panel cointegration is extensive but does not cover data sets where the cross section dimension, $n$, is larger than the time series dimension $T$. This paper proposes a novel methodology that filters out the short run dynamics using sub-sample time averages as deviations from their full-sample counterpart, and estimates the number of long-run relations and their coefficients using eigenvalues and eigenvectors of the pooled covariance matrix of these sub-sample deviations. We refer to this procedure as pooled minimum eigenvalue (PME). We show that PME estimator is consistent and asymptotically normal as $n$ and $T \rightarrow \infty$ jointly, such that $T\approx n^{d}$, with $d>0$ for consistency and $d>1/2$ for asymptotic normality. Extensive Monte Carlo studies show that the number of long-run relations can be estimated with high precision, and the PME estimators have good size and power properties. The utility of our approach is illustrated by micro and macro applications using Compustat and Penn World Tables.