Structure identification in panel data analysis
面板数据分析中的结构识别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：摘要明确研究面板中的个体分组异质性、交互效应与收入动态应用，直接对应微观面板；未说明宏观面板或因果识别设计。
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
面板数据分析中的结构识别
- 研究问题
- 面板模型中的协变量影响若在个体之间存在分组异质性，如何在潜变量诱导的交互效应下识别群组并估计未知参数？
- 方法与思路
- 作者设定协变量影响组内相同、组间不同，用基于 EM 的算法估计参数，再用基于二元分割的算法检测分组结构。
- 材料陈述的贡献
- 摘要称建立了估计与分组方法的渐近理论，模拟结果支持所提方法，并将其应用于收入动态数据，但未展开具体发现。
- 阅读关注点
- 应核对交互效应与分组系数如何区分、分组检测的实施依据，以及渐近理论对样本维度和群组差异的具体要求。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出理论条件、模拟数值或收入动态发现，不能推断普遍优于现有方法。
原文摘要
Panel data analysis is an important topic in statistics and econometrics. In such analysis, it is very common to assume the impact of a covariate on the response variable remains constant across all individuals. While the modelling based on this assumption is reasonable when only the global effect is of interest, in general, it may overlook some individual/subgroup attributes of the true covariate impact. In this paper, we propose a data driven approach to identify the groups in panel data with interactive effects induced by latent variables. It is assumed that the impact of a covariate is the same within each group, but different between the groups. An EM based algorithm is proposed to estimate the unknown parameters, and a binary segmentation based algorithm is proposed to detect the grouping. We then establish asymptotic theories to justify the proposed estimation, grouping method, and the modelling idea. Simulation studies are also conducted to compare the proposed method with the existing approaches, and the results obtained favour our method. Finally, the proposed method is applied to analyse a data set about income dynamics, which leads to some interesting findings.