Identification of Latent Subgroups for Time-Varying Panel Data Models
时变面板数据模型中的潜在子群识别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：摘要明确研究时变面板模型中的个体异质性、潜在分组与组数选择。
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…
时变面板数据模型中的潜在子群识别
- 研究问题
- 如何在存在个体异质性及随时间平滑变化的面板模型中识别潜在分组，并在事先未知组成员的情况下选择组数？
- 方法与思路
- 作者提出中心增强的 K-power means 方法，促使个体向各自聚类中心收敛，联合处理时变结构与未知潜在分组。
- 材料陈述的贡献
- 摘要称，该方法具备估计一致性、准确子群识别和组数选择一致性，并通过模拟及两个真实应用展示精度和计算效率。
- 阅读关注点
- 应核对组间分离、时间平滑性与样本维度条件，以及聚类中心增强机制、组数选择准则和算法初始化的影响。
- 阅读边界
- 仅据所给 OpenAlex 摘要，精度和效率优势不能推广到所有面板；具体条件、比较基准与应用细节未说明，刊本变化不可推断。
原文摘要
This article introduces a time-varying panel data model that incorporates latent group structures, designed to tackle both individual heterogeneity and smooth structural changes over time. We develop an innovative center-augmented K-power means (KPM) methodology that promotes convergence of subjects toward their respective cluster centers, enabling the identification of latent group structures without requiring prior knowledge of group composition. This approach delivers both superior precision and computational efficiency. We provide rigorous theoretical foundations, demonstrating estimation consistency, accurate subgroup identification, and consistent selection of the number of groups. The efficacy of the proposed KPM method in accurately identifying the latent group structures in panel data is demonstrated through comprehensive numerical analysis, including simulation studies and two real-world applications.