Discretizing Unobserved Heterogeneity
将不可观测异质性离散化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：摘要明确研究面板数据中的两步分组固定效应及面板两维增长下的渐近性质。
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…
将不可观测异质性离散化
- 研究问题
- 当总体异质性连续而非离散时，如何通过个体分组近似潜在异质性，并在面板模型中进行估计、偏差修正和推断？
- 方法与思路
- 作者采用两步分组固定效应：先以信息性矩进行 kmeans 聚类，再估计组别异质性；框架依赖低维连续潜在类型。
- 材料陈述的贡献
- 摘要称推导了组数随面板两维增长时的渐近展开，提出数据驱动的组数规则，并讨论偏差修正与统计推断。
- 阅读关注点
- 应核对分类矩的信息要求、潜在类型与时变异质性的关系、组数增长条件，以及分类误差如何进入偏差和推断。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列完整正则条件，也未报告组数规则的具体表现。
原文摘要
We study discrete panel data methods where unobserved heterogeneity is revealed in a first step, in environments where population heterogeneity is not discrete. We focus on two-step grouped fixed-effects (GFE) estimators, where individuals are first classified into groups using kmeans clustering, and the model is then estimated allowing for group-specific heterogeneity. Our framework relies on two key properties: heterogeneity is a function - possibly nonlinear and time-varying - of a low-dimensional continuous latent type, and informative moments are available for classification. We illustrate the method in a model of wages and labor market participation, and in a probit model with time-varying heterogeneity. We derive asymptotic expansions of two-step GFE estimators as the number of groups grows with the two dimensions of the panel. We propose a data-driven rule for the number of groups, and discuss bias reduction and inference.