Multivariate regression models for panel data
面板数据的多元回归模型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。
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：题名明确指向面板数据，摘要进一步讨论异质随机系数及其识别与估计。
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
面板数据的多元回归模型
- 研究问题
- 异质随机系数过程如何通过多元回归框架识别和估计？当真实回归函数非线性时，如何对其线性近似进行有效推断？
- 方法与思路
- 作者在平稳性框架下分析有限阶分布滞后系数与随机系数均值的关系，利用样本矩函数的渐近分布，并以最小距离施加限制。
- 材料陈述的贡献
- 摘要称，有限阶分布滞后系数是底层随机系数的无条件均值，并给出线性近似的推断理论；最小距离估计一般更有效率。
- 阅读关注点
- 应核对平稳性、非遍历性和异质性的具体关系，识别所需系数限制，以及线性近似的目标、最小距离权重和效率比较范围。
- 阅读边界
- 所给链接对应 NBER 工作论文版本摘要，不能推断刊本变化或据此认定同行评审状态；系数限制、渐近路径和效率条件未说明。
原文摘要
Under stationarity, the heterogeneous stoahastic processes are the non-ergodic ones. We show that if a distributed lag is of finite order, then its coefficients are unconditional means of the underlying random coefficients. This result is applied to linear transformations of the process. The estimation framework is a multivariate wide-sense regression function. The identification analysis requires certain restrictions on the coefficients. The actual regression function is nonlinear, and so we provide a theory of inference for linear approximations. It rests on obtaining the asymptotic distribution of functions of sample moments. Restrictions are imposed by using a minimum distance estimator; it is generally more efficient than the conventional estimators.