Unobserved Heterogeneity in Income Dynamics: An Empirical Bayes Perspective
收入动态中的未观测异质性：经验贝叶斯视角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：摘要利用个人收入面板估计动态模型，重点刻画个体截距和创新方差的未观测异质性，直接对应微观面板数据方法。
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
收入动态中的未观测异质性：经验贝叶斯视角
- 研究问题
- 收入动态中的持续性与个体异质性如何区分，允许个体收入截距和创新方差共同异质时，对参数估计及未来收入预测有何影响？
- 方法与思路
- 作者以凸优化求解混合分布的非参数极大似然估计，构造高斯纵向问题的经验贝叶斯规则，并用剖面似然估计AR(1)参数。
- 材料陈述的贡献
- 摘要称，允许方差异质性后，创新持续性估计约为0.48；混合分布估计揭示个体截距与创新方差负相关，对收入预测有影响。
- 阅读关注点
- 重点核对高斯设定、混合分布的识别与计算、截距和方差异质性如何与AR持续性区分，以及经验贝叶斯预测的不确定性处理。
- 阅读边界
- 摘要未说明样本构成、混合分布识别条件、参数不确定性及预测误差改善幅度；持续性与负相关结果依赖所设收入动态模型。
原文摘要
Empirical Bayes methods for Gaussian compound decision problems involving longitudinal data are considered. The new convex optimization formulation of the nonparametric (Kiefer–Wolfowitz) maximum likelihood estimator for mixture models is employed to construct nonparametric Bayes rules for compound decisions. The methods are first illustrated with some simulation examples and then with an application to models of income dynamics. Using panel data, we estimate a simple dynamic model of earnings that incorporates bivariate heterogeneity in intercept and variance of the innovation process. Profile likelihood is employed to estimate an AR(1) parameter controlling the persistence of the innovations. We find that persistence is relatively modest, ρ^≈0.48$\hat{\rho }\approx 0.48$, when we permit heterogeneity in variances. Evidence of negative dependence between individual intercepts and variances is revealed by the nonparametric estimation of the mixing distribution, and has important consequences for forecasting future income trajectories.