Quasi-Maximum Likelihood Estimation for a Genuinely Unbalanced Dynamic Network Panel Data Model
真正非平衡动态网络面板模型的准最大似然估计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：摘要明确研究带个体固定效应的非平衡动态面板，以及当期和滞后的网络溢出。
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
真正非平衡动态网络面板模型的准最大似然估计
- 研究问题
- 当个体在不同时点进入面板并存在固定效应、网络溢出和时间依赖时，如何估计动态模型并修正附带参数偏差？
- 方法与思路
- 作者构建含当期及滞后网络溢出、时间依赖和首次出现效应的模型，推导 QMLE 渐近性质，并据偏差表达式进行修正。
- 材料陈述的贡献
- 摘要称建立双维度增长下的一致性和渐近分布，并提出满足相应条件时渐近无偏且正态的修正估计，用房源数据示范。
- 阅读关注点
- 应核对非平衡观测机制、首次出现效应及网络矩阵的处理，以及 N 与 T 的相对增长条件和偏差修正的覆盖率表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出正则条件或样本进入机制，不能据此认定能处理任意非随机缺失。
原文摘要
This paper develops a quasi-maximum likelihood estimator for genuinely unbalanced dynamic network panel data models with individual fixed effects. We propose a model that accommodates contemporaneous and lagged network spillovers, temporal dependence, and a listing effect that activates upon a unit's first appearance in the panel. We establish the consistency of the QMLE as both $N$ and $T$ go to infinity, derive its asymptotic distribution, and identify an asymptotic bias arising from incidental parameters when $N$ is asymptotically large relative to $T$. Based on the asymptotic bias expression, we propose a bias-corrected estimator that is asymptotically unbiased and normally distributed under appropriate regularity conditions. Monte Carlo experiments examine the finite sample performance of the bias-corrected estimator across different criteria, including bias, RMSE, coverage probability, and the normality of the estimator. The empirical application to Airbnb listings from New Zealand and New York City reveals region-specific patterns in spatial and temporal price transmission, illustrating the importance of modeling genuine unbalancedness in dynamic network settings.