Discretizing Unobserved Heterogeneity
未观测异质性的离散化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：摘要直接研究两步分组固定效应及面板双维度渐近，并以具有时变异质性的 probit 模型说明方法，对应面板和离散选择。
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…
未观测异质性的离散化
- 研究问题
- 总体异质性并非离散时，能否先将个体分组再估计组别固定效应，并在面板两个维度及组数增长时进行偏差修正和推断？
- 方法与思路
- 作者先用信息性矩和 k-means 聚类分类个体，再估计组别异质性；框架假定异质性由低维连续潜在类型决定，可非线性且随时间变化。
- 材料陈述的贡献
- 摘要称，研究给出两步分组固定效应估计的渐近展开、数据驱动的组数选择规则，并讨论偏差减少和推断，附工资参与及 probit 示例。
- 阅读关注点
- 应核对分类矩的信息性条件、潜在类型维度和组数增长要求，以及聚类近似误差与面板估计偏差如何共同影响推断。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出增长速率、组数规则或推断细节，不能认定任意连续异质性均可有效分组或推断刊本变化。
原文摘要
We study discrete panel data methods where unobserved heterogeneity is revealed in a first step, in environments where population heterogeneity is not discrete. We focus on two‐step grouped fixed‐effects (GFE) estimators, where individuals are first classified into groups using kmeans clustering, and the model is then estimated allowing for group‐specific heterogeneity. Our framework relies on two key properties: heterogeneity is a function—possibly nonlinear and time‐varying—of a low‐dimensional continuous latent type, and informative moments are available for classification. We illustrate the method in a model of wages and labor market participation, and in a probit model with time‐varying heterogeneity. We derive asymptotic expansions of two‐step GFE estimators as the number of groups grows with the two dimensions of the panel. We propose a data‐driven rule for the number of groups, and discuss bias reduction and inference.