Inference in High-Dimensional Panel Models: Two-Way Dependence and Unobserved Heterogeneity
高维面板模型的推断：双向依赖与未观测异质性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：摘要核心是高维面板数据中的未观测异质性、双向聚类依赖及推断。
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
高维面板模型的推断：双向依赖与未观测异质性
- 研究问题
- 当大截面、长时间面板同时存在未观测异质性、高维干扰参数及时间和截面依赖时，如何进行变量压缩并获得有效统计推断？
- 方法与思路
- 作者提出适用于双向聚类面板的 LASSO 变体，并结合聚类面板交叉拟合研究半参数矩限制模型，另讨论部分线性模型的全样本推断。
- 材料陈述的贡献
- 摘要称，聚类依赖下 LASSO 虽一致但收敛较慢；所提工具仍可在相应模型中建立渐近正态性，并以面板乘数估计展示应用。
- 阅读关注点
- 应核对双向依赖结构、截面与时间维度的增长条件、交叉拟合分组及稀疏性要求，并理解部分线性模型为何允许全样本推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未获核实。摘要未给出依赖和增长条件，也未说明乘数的经济含义及应用中的数值结果。
原文摘要
Panel data allows for the modeling of unobserved heterogeneity, significantly raising the number of nuisance parameters and making high dimensionality a practical issue. Meanwhile, temporal and cross-sectional dependence in panel data further complicates high-dimensional estimation and inference. This paper proposes a toolkit for high-dimensional panel models with large cross-sectional and time sample sizes. To reduce the dimensionality, I propose a variant of LASSO for two-way clustered panels. While being consistent, the convergence rate of LASSO is slow due to the cluster dependence, rendering inference challenging in general. Nevertheless, asymptotic normality can be established in a semiparametric moment-restriction model by leveraging a clustered-panel cross-fitting approach and, as a special case, in a partial linear model using the full sample. In an exercise of estimating multiplier using panel data, I demonstrate how high dimensionality could be hidden and the proposed toolkit enables flexible modeling and robust inference.