Missing dependent variables in fixed-effects models
固定效应模型中的因变量缺失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：摘要直接研究静态和动态固定效应模型中的缺失数据及跨期信息利用，明确属于面板数据方法。
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
固定效应模型中的因变量缺失
- 研究问题
- 线性固定效应模型的因变量部分缺失时，能否利用所有时期的协变量改善估计效率，并在缺少因变量组内变动时识别参数？
- 方法与思路
- 作者为静态模型提出经典最小距离估计，在随机缺失类型条件下讨论一致性，再扩展至含滞后因变量的固定效应模型。
- 材料陈述的贡献
- 摘要称全时期协变量信息可带来效率增益，某些情况下无需因变量组内变动即可识别，并讨论序贯外生性及协变量缺失扩展。
- 阅读关注点
- 应核对随机缺失类型假设的条件信息集、最小距离矩条件，以及无需组内变动的具体情形和动态模型中的额外限制。
- 阅读边界
- 仅据所给出版社摘要，无法判断缺失机制的可检验性与效率改善幅度；无需组内变动的结论仅限摘要所说的特定情形。
原文摘要
This paper considers estimation of linear fixed-effects models in which the dependent variable may be missing. For cross-sectional units with dependent variables missing, use of covariate information from all time periods can provide efficiency gains relative to complete-data methods. A classical minimum distance (CMD) estimator based upon Chamberlain (1982, 1984), which is consistent under a missing-at-random (MAR) type assumption, is proposed for the static fixed-effects model. In certain circumstances, it is shown that “within” variation in the dependent variable is not even required for identification of the model parameters. The CMD estimation approach is extended to the case of (autoregressive) fixed-effects models with lagged dependent variables. Monte Carlo simulations investigate the performance of the CMD approach relative to existing methods. Extensions to models with sequential exogeneity and missing covariates are also discussed.