Efficient Bias Correction for Cross-section and Panel Data
横截面与面板数据的有效偏差校正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：摘要除通用偏差校正理论外，明确分析含个体固定效应的面板模型，因此面板数据是有直接文本支持的细分。
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…
横截面与面板数据的有效偏差校正
- 研究问题
- 不同偏差校正方法如何影响估计量的高阶方差，何时简单自助法能够与解析校正或刀切法具有相同的方差表现？
- 方法与思路
- 作者利用高阶展开与偏差估计的渐近线性性质，比较自助法、解析校正、逐一删除及分样本刀切，并研究固定效应面板例子。
- 材料陈述的贡献
- 摘要称，对半参数有效的参数估计量，渐近线性偏差估计的校正方式不改变高阶方差；分样本刀切在所举例子中方差项更大。
- 阅读关注点
- 应核对半参数效率和高阶展开条件、偏差估计的收敛速率，以及横截面与固定效应面板例子的方差项比较如何推导。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要的高阶方差结论有特定条件，不能推广为所有校正方法等效。
原文摘要
Bias correction can often improve the finite sample performance of estimators. We show that the choice of bias correction method has no effect on the higher-order variance of semiparametrically efficient parametric estimators, so long as the estimate of the bias is asymptotically linear. It is also shown that bootstrap, jackknife, and analytical bias estimates are asymptotically linear for estimators with higher-order expansions of a standard form. In particular, we find that for a variety of estimators the straightforward bootstrap bias correction gives the same higher-order variance as more complicated analytical or jackknife bias corrections. In contrast, bias corrections that do not estimate the bias at the parametric rate, such as the split-sample jackknife, result in larger higher-order variances in the i.i.d. setting we focus on. For both a cross-sectional MLE and a panel model with individual fixed effects, we show that the split-sample jackknife has a higher-order variance term that is twice as large as that of the `leave-one-out' jackknife.