Estimating Semiparametric and Nonparametric Fixed Effects Panel Data Models with mgcv
使用 mgcv 估计半参数与非参数固定效应面板模型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：摘要直接围绕固定效应面板模型展开，讨论单位效应处理、平滑项设定和聚类稳健推断，因此归入面板数据。
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
使用 mgcv 估计半参数与非参数固定效应面板模型
- 研究问题
- 如何用 R 的 mgcv 实现半参数和非参数固定效应面板估计，并对有限维参数与未知函数进行聚类稳健推断？
- 方法与思路
- 作者介绍单位指标、差分和惩罚单位效应等处理方式，设定平滑项，并用模拟比较 bam、线性及固定基数样条估计。
- 材料陈述的贡献
- 摘要称，惩罚样条在所研究设计中适应未知光滑度；惩罚调整的聚类稳健协方差及函数置信带具有较好的推断校准。
- 阅读关注点
- 应核对不同固定效应处理方式的适用条件、惩罚调整协方差的构造，以及未知函数中心化与置信带覆盖的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要仅报告所研究设计中的表现，未说明完整假设和适用边界。
原文摘要
This paper provides a practical guide to estimating semiparametric and nonparametric fixed-effects panel data models using the mgcv package in R. The focus is implementation: handling fixed effects with unit indicators, first differencing, or penalized unit effects; specifying smooth terms; and conducting cluster-robust inference. Monte Carlo experiments compare \code{mgcv::bam} estimators with linear and fixed-series spline estimators. Simulations suggest that penalized splines adapt to unknown smoothness and estimate functions accurately in the designs studied here. A penalty-adjusted cluster-robust covariance estimator yields tests with near-nominal size for finite-dimensional parameters, and confidence bands provide accurate coverage for centered unknown functions.