The Use of Variance Components Models in Pooling Cross Section and Time Series Data
合并横截面与时间序列数据中的方差分量模型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：摘要明确讨论横截面与时间序列合并、组间与时期间变异及滞后因变量，直接对应面板数据方法。
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
合并横截面与时间序列数据中的方差分量模型
- 研究问题
- 合并横截面与时间序列数据时，如何利用组间和时期间变异估计回归参数；当协变量包含滞后因变量时，相关估计方法是否仍适用？
- 方法与思路
- 作者考察方差分量模型，讨论最大似然法与协方差分析技术的适用性和用途，并特别关注协变量包含滞后因变量的模型。
- 材料陈述的贡献
- 摘要主张，方差分量模型能从组间和时期间变异中提取回归参数的信息，而常用虚拟变量方法往往会消除这部分信息。
- 阅读关注点
- 核对方差分量与协变量之间的相关性假设、滞后因变量带来的估计问题，以及最大似然法和协方差分析各自需要的条件。
- 阅读边界
- 摘要未说明误差分量的具体结构、滞后因变量的处理办法或估计量性质；保留更多变异不等于已证明估计更准确或识别更充分。
原文摘要
The paper argues that variance components models are very useful in pooling cross section and time series data because they enable us to extract some information about the regression parameters from the between group and between time-period variation-a source that is often completely eliminated in the commonly used dummy variable techniques. The paper studies the applicability and usefulness of the maximum likelihood method and analysis of covariance techniques in the analysis of this type of model, particularly when one of the covariates used is a lagged dependent variable.