Efficient bias correction for cross‐section and panel data
横截面与面板数据中的高效偏差修正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。
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：摘要明确分析含个体固定效应的面板模型，并比较其中偏差修正方法的高阶方差。
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…
横截面与面板数据中的高效偏差修正
- 研究问题
- 不同偏差修正方法是否会改变估计量的高阶方差？在横截面与含个体固定效应的面板模型中，何种修正方式可能增加方差？
- 方法与思路
- 作者利用标准形式的高阶展开，比较渐近线性的自助法、刀切法和解析偏差估计，并分析分样本刀切法的高阶方差代价。
- 材料陈述的贡献
- 摘要称，对半参数有效的参数估计量，渐近线性偏差修正具有相同高阶方差；两类例子中分样本刀切法的相应项为逐一删除法的两倍。
- 阅读关注点
- 应核对半参数有效性和渐近线性条件、高阶展开的阶数、面板模型的渐近设置，以及分样本与逐一删除刀切法比较的具体对象。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断所述展开覆盖哪些估计量；方差比较主要依赖文中条件，不能据此判断所有修正方法的总误差优劣。
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.