Model-Based Clustering of Non-Gaussian Panel Data Based on Skew- t Distributions
基于偏斜t分布的非高斯面板数据模型聚类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：摘要研究面板个体聚类，并分别应用于企业就业增长和区域GDP增长，支持微观面板与宏观面板分类。
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
基于偏斜t分布的非高斯面板数据模型聚类
- 研究问题
- 如何对具有偏斜、厚尾和动态依赖的面板个体进行模型聚类，使分组同时反映动态行为、均衡水平及协变量效应？
- 方法与思路
- 作者采用允许偏斜和厚尾的非高斯自回归模型，按个体动态与协变量特征聚类；以贝叶斯方法推断，并用贝叶斯因子比较模型。
- 材料陈述的贡献
- 作者提出面板个体的模型聚类方法和主观输入较少的层级先验，关注后验适定性，并以欧洲区域GDP及西班牙企业就业增长展示应用。
- 阅读关注点
- 核对偏斜t分布与自回归结构如何结合、聚类数量如何选择，以及先验设定、后验适定性条件和贝叶斯因子比较的敏感性。
- 阅读边界
- 摘要未列出聚类数量、组间差异或对异常值及先验选择的敏感性；所称推断稳健性与后验适定性的具体条件仍需核对全文。
原文摘要
We propose a model-based method to cluster units within a panel. The underlying model is autoregressive and non-Gaussian, allowing for both skewness and fat tails, and the units are clustered according to their dynamic behavior, equilibrium level, and the effect of covariates. Inference is addressed from a Bayesian perspective, and model comparison is conducted using Bayes factors. Particular attention is paid to prior elicitation and posterior propriety. We suggest priors that require little subjective input and have hierarchical structures that enhance inference robustness. We apply our methodology to GDP growth of European regions and to employment growth of Spanish firms.