Estimating Unobserved Cross-Sectional Network Links with Large-T Panel Data
利用大时间维度面板数据估计未观测的横截面网络连接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：摘要直接研究未观测网络、内生同伴效应，并利用大时间维度面板数据估计。
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
利用大时间维度面板数据估计未观测的横截面网络连接
- 研究问题
- 当网络连接不可观测、时间维度较大时，如何估计个体之间的相互依赖、内生同伴效应及网络权重矩阵？
- 方法与思路
- 作者提出三步法：先估计简约式构造同伴结果的工具变量，再用两阶段最小二乘估计效应，最后估计网络权重矩阵。
- 材料陈述的贡献
- 摘要称模拟中的参数偏差与均方根误差较小；全球百家上市存款机构的应用揭示网络连接，并识别出有影响力的银行。
- 阅读关注点
- 应核对网络权重与同伴效应分别识别的条件、工具变量的有效性、大时间维度要求，以及银行数据如何对应网络连接。
- 阅读边界
- 仅据所给OpenAlex版本摘要；网络识别限制、具体误差数值及应用解释边界未说明，不能推断后续刊本变化。
原文摘要
We propose a simple three-step method to estimate the cross-sectional interdependence in a customary network econometric model with an unobserved network and a large T. First, we estimate the reduced-form model to construct instruments for the endogenous peer outcomes. Second, we use two-stage least squares to estimate the direct and contextual effects of the exogenous regressors, as well as the endogenous peer effect. Third, we estimate the network weight matrix. Monte Carlo results for small- to medium-sized samples indicate that the estimators of the parameters of interest have small biases and root mean squared errors. We apply the approach to estimate the network structure of the 100 largest listed depository institutions worldwide using daily data over 2011-2020. This reveals the detailed structure of interbank network links and identifies influential banks in the data, of which some but not all are Global Systemically Important Banks designated by the Financial Stability Board.