Homogeneity pursuit in panel data models: Theory and application
面板数据模型中的同质分组识别：理论与应用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：摘要明确研究潜在分组的面板模型，核心是组内同质、组间异质的斜率参数估计与未知分组识别。
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…
面板数据模型中的同质分组识别：理论与应用
- 研究问题
- 当面板个体的斜率参数具有组内同质、组间异质的潜在结构时，如何在分组未知的情况下恢复真实组别并一致估计各组参数？
- 方法与思路
- 作者设定个体可划入未知组别，组内斜率向量相同、组间不同，并设计 Panel-CARDS 算法同时恢复潜在分组和估计面板模型参数。
- 材料陈述的贡献
- 摘要称算法能渐近识别真实分组并一致估计参数，模拟支持相应理论；收入与民主的应用展示了组间异质的估计关系。
- 阅读关注点
- 核对分组可识别条件、组间参数分离程度、Panel-CARDS 的构造与计算步骤，并查看误分组风险、模拟设计及应用中收入关系的解释。
- 阅读边界
- 摘要未说明组数如何确定、渐近条件、有限样本误分组率及应用数据结构；应用中的收入与民主关系不能仅凭摘要解释为因果效应。
原文摘要
Summary This paper studies the estimation of a panel data model with latent structures where individuals can be classified into different groups with the slope parameters being homogeneous within the same group but heterogeneous across groups. To identify the unknown group structure of vector parameters, we design an algorithm called Panel‐CARDS. We show that it can identify the true group structure asymptotically and estimate the model parameters consistently at the same time. Simulations evaluate the performance and corroborate the asymptotic theory in several practical design settings. The empirical application reveals the heterogeneous grouping effect of income on democracy.