Inference without smoothing for large panels with cross-sectional and temporal dependence
横截面与时间依赖下大面板的无平滑参数推断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：摘要直接研究具有固定效应、横截面依赖和时间依赖的大面板数据模型。
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
横截面与时间依赖下大面板的无平滑参数推断
- 研究问题
- 面对未知形式的横截面依赖与时间依赖，如何在大面板模型中进行有效推断，同时避免选择协方差估计的带宽或平滑参数？
- 方法与思路
- 作者利用固定效应面板模型的频谱表示，使误差在时间维度近似不相关，构造聚类协方差估计及频域 wild bootstrap。
- 材料陈述的贡献
- 摘要称，协方差估计与 bootstrap 无需带宽或平滑参数，并可容纳非参数形式的双重依赖；模拟用于考察小样本表现。
- 阅读关注点
- 应核对面板维度增长条件、允许的依赖强度、频谱变换后的近似误差，以及聚类估计和各 bootstrap 方案的有效性证明。
- 阅读边界
- 仅据所给出版社摘要，无法确定依赖结构的具体限制及模拟表现；“未知形式”不能理解为允许任意强度或任意形式的依赖。
原文摘要
This paper addresses inference in large panel data models in the presence of both cross-sectional and temporal dependence of unknown form. We are interested in making inferences that do not rely on the choice of any smoothing parameter as is the case with the often employed “HAC” estimator for the covariance matrix. To that end, we propose a cluster estimator for the asymptotic covariance of the estimators and valid bootstrap schemes that do not require the selection of a bandwidth or smoothing parameter and accommodate the nonparametric nature of both temporal and cross-sectional dependence. Our approach is based on the observation that the spectral representation of the fixed effect panel data model is such that the errors become approximately temporally uncorrelated. Our proposed bootstrap schemes can be viewed as wild bootstraps in the frequency domain. We present some Monte Carlo simulations to shed some light on the small sample performance of our inferential procedure.