Moments of Random Coefficients in Short Panels
短面板中随机系数矩的识别与估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究短线性面板中的随机系数异质性、跨个体矩识别与估计，文本依据明确支持面板数据方向。
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
短面板中随机系数矩的识别与估计
- 研究问题
- 短面板中异质系数数目超过每个个体的观测方程数时，能否借助不同回归变量历史，识别和估计随机系数的各阶矩？
- 方法与思路
- 作者在矩同质性下利用回归变量支持集生成的行空间刻画识别，并分析失败时的锐识别集及加权最小距离估计。
- 材料陈述的贡献
- 摘要称给出矩识别的充要条件与行空间重叠造成的限制损失，刻画二阶锐识别集，并在所述条件下获得渐近正态性和效率结果。
- 阅读关注点
- 全文应核对矩同质性的含义、支持集条件如何检查、二阶锐性相对完整联合分布的论证，以及最优权重的可行实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要中的效率结论依赖条件非退化与理想权重，未说明可行估计的完整条件。
原文摘要
We study identification and estimation of moments of random coefficients in short linear panels, allowing the number of heterogeneous coefficients to exceed the number of equations observed for each unit. Under moment homogeneity, different regressor histories impose restrictions on the same moment vector. We give necessary and sufficient conditions for these restrictions to identify moments of a given order, stated in terms of the row spaces generated by the regressor support. The results show that moments may be identified even when the coefficients cannot be recovered for any individual, and, for two full-row-rank histories, give the exact loss of independent restrictions caused by overlap of their row spaces. When the support condition fails, we establish nonidentification in the maintained model and characterize the sharp identified set implied by these conditional moments. At second order, the identified set is determined by positive-semidefinite covariance restrictions and is also sharp relative to the full joint distribution of outcomes and regressors. Under the support condition, weighted minimum-distance estimators are root-$N$ asymptotically normal; under conditional nondegeneracy, oracle generalized-inverse weighting attains the Chamberlain (1987) efficiency bound for the maintained conditional-moment model.