GMM estimation for high-dimensional panel data models
高维面板数据模型的 GMM 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。
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：摘要直接研究高维交互效应面板模型，并明确提供股票收益预测应用。
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…
高维面板数据模型的 GMM 估计
- 研究问题
- 对于含不可观测交互因子、非参数因子载荷及不断增加的参数与矩条件的面板模型，如何联合估计并检验模型限制？
- 方法与思路
- 作者用筛方法结合 GMM 估计参数、因子与载荷函数，推导一致性和渐近分布，并构造过度识别及载荷函数设定检验。
- 材料陈述的贡献
- 摘要称，在所给识别条件下可一致估计各类未知量，并建立估计量和检验的大样本性质，另以股票收益预测展示应用。
- 阅读关注点
- 应核对因子归一化与识别条件、参数及矩条件增长速度、筛维度选择，以及联合估计误差如何进入渐近分布和检验。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；所谓简单识别条件及数值表现未说明，股票预测应用不能据此证明普遍的样本外预测优势。
原文摘要
In this paper, we study a class of high dimensional moment restriction panel data models with interactive effects, where the factors are unobserved and these factor loadings are nonparametrically unknown smooth functions of individual characteristic variables. We allow the dimension of the parameter vector and the number of moment conditions to diverge with the sample size. This is a very general framework and is closely related to many existing linear and nonlinear panel data models. In order to estimate the unknown parameters, factors and factor loadings, we propose a sieve-based generalized method of moments estimation method and we show that under a set of simple identification conditions, all those unknown quantities can be consistently estimated. Further we establish asymptotic distributions of the proposed estimators. In addition, we propose tests for over-identification, specification of factor loading functions, and establish their large sample properties. Moreover, a number of simulation studies are conducted to examine the performance of the proposed estimators and test statistics in finite samples. An empirical example on stock return prediction is studied to demonstrate both the empirical relevance and the applicability of the proposed framework and corresponding estimation and testing methods.