Bi-integrative analysis of two-dimensional heterogeneous panel data model
二维异质面板数据模型的双向整合分析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：摘要明确以个体和时间两维异质系数的面板回归及分组恢复为核心，因此归入面板数据；未说明宏观应用，故不加宏观分类。
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…
二维异质面板数据模型的双向整合分析
- 研究问题
- 如何同时识别面板回归系数的个体分组与时间期别分组，使不相邻时点也能共享系数，并减少二维异质性带来的估计复杂度？
- 方法与思路
- 作者构建包含个体组别与时间期别结构的异质面板模型，通过双重凹融合惩罚最小二乘同时整合两维，并使用 ADMM 求解。
- 材料陈述的贡献
- 摘要称，估计量具有一致性、渐近正态性及 oracle 性质，即渐近等价于已知组别结构的估计量；模拟与应用提供支持。
- 阅读关注点
- 应核对两维分组的可识别性、组间差异与组规模要求、惩罚选择，以及 ADMM 的收敛结论是否对应理论研究的估计量。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明理论条件、具体应用及数值表现，不能判断分组恢复的实际稳定性。
原文摘要
Heterogeneous panel data models that allow the coefficients to vary across individuals and/or change over time have received increasingly more attention in statistics and econometrics. This paper proposes a two-dimensional heterogeneous panel regression model that incorporate a group structure of individual heterogeneous effects with cohort formation for their time-variations, which allows common coefficients between nonadjacent time points. A bi-integrative procedure that detects the information regarding group and cohort patterns simultaneously via a doubly penalized least square with concave fused penalties is introduced. We use an alternating direction method of multipliers (ADMM) algorithm that automatically bi-integrates the two-dimensional heterogeneous panel data model pertaining to a common one. Consistency and asymptotic normality for the proposed estimators are developed. We show that the resulting estimators exhibit oracle properties, i.e., the proposed estimator is asymptotically equivalent to the oracle estimator obtained using the known group and cohort structures. Furthermore, the simulation studies provide supportive evidence that the proposed method has good finite sample performance. A real data empirical application has been provided to highlight the proposed method.