A Penalty Function Approach to Bias Reduction in Nonlinear Panel Models with Fixed Effects
非线性固定效应面板模型中降低偏差的惩罚函数方法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：摘要明确研究带个体固定效应的非线性面板模型，核心问题是短时间维度下的参数估计偏差，因此归入面板数据方法。
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
非线性固定效应面板模型中降低偏差的惩罚函数方法
- 研究问题
- 非线性面板模型中，短时间维度下估计个体固定效应会使模型参数估计不一致，能否通过调整目标函数减轻这一估计偏差？
- 方法与思路
- 作者在非线性固定效应面板模型的目标函数中加入惩罚项，针对短时间维度下估计固定效应引起的参数偏差，并开展模拟与应用。
- 材料陈述的贡献
- 摘要称，惩罚项构造简单，可直接用于含多个个体特定参数的模型；模拟提示其能降低偏差，并以内幕交易活动作实证说明。
- 阅读关注点
- 重点核对惩罚项的推导与计算、适用模型及渐近框架，并检查不同个体数、时间长度和参数设置下的偏差、方差与推断表现。
- 阅读边界
- 摘要以模拟提示偏差降低的有效性，未说明偏差降低的阶数、方差代价、标准误处理或适用边界，不能据此断言恢复一致性。
原文摘要
We consider estimation of nonlinear panel data models with individual specific fixed effects. Estimation of these models is complicated since estimation of the fixed effects when the time dimension is short generally results in inconsistent estimates of all model parameters. We present a penalized objective function that reduces the bias in the resulting point estimates. The penalty function is simple to construct and requires no modification for models with multiple individual specific parameters. We illustrate the approach through a series of simulations that suggest the approach is effective in reducing bias and in an empirical study of insider trading activity.