Approximating grouped fixed effects estimation via fuzzy clustering regression
通过模糊聚类回归近似分组固定效应估计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：摘要围绕分组固定效应估计及未观测异质性的组别模式展开，最直接对应面板数据中的异质性建模。
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…
通过模糊聚类回归近似分组固定效应估计
- 研究问题
- 如何以计算效率更高的回归聚类方法近似分组固定效应估计，同时保留对未观测异质性组别模式的刻画能力？
- 方法与思路
- 作者将模糊C均值目标推广至回归，在聚类指数趋近1时逼近分组固定效应目标，并将该目标改写为广义矩估计问题。
- 材料陈述的贡献
- 摘要称，复现应用得到几乎相同的估计；模拟中所提方法在偏误、分类准确率和计算速度方面有所改善。
- 阅读关注点
- 应核对目标函数收敛是否意味着估计解收敛、聚类指数与组数的选择、优化初始化，以及模拟中比较方法的实现方式。
- 阅读边界
- 仅据所给 Crossref 摘要，近似误差、解的性质与模拟改善幅度未说明，目标函数趋近不能直接证明有限样本估计等价。
原文摘要
Summary We propose a new, computationally efficient way to approximate the “grouped fixed effects” (GFE) estimator of Bonhomme and Manresa (2015), which estimates grouped patterns of unobserved heterogeneity. To do so, we generalize the fuzzy C‐means objective to regression settings. As the clustering exponent approaches 1, the fuzzy clustering objective converges to the GFE objective, which we recast as a standard generalized method of moments problem. We replicate the empirical results of Bonhomme and Manresa (2015) and show that our estimator delivers almost identical estimates. In simulations, we show that our approach offers improvements in terms of bias, classification accuracy, and computational speed.