Robust estimation and inference for high-dimensional panel data models
高维面板数据模型的稳健估计与推断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：摘要明确以高维面板数据及含交互效应的面板模型为研究框架，未限定为宏观面板。
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…
高维面板数据模型的稳健估计与推断
- 研究问题
- 当高维面板的误差非高斯、异方差且同时存在序列和横截面相关，回归变量数又超过样本量时，如何开展稳健推断？
- 方法与思路
- 作者建立部分和与二次型的 Nagaev 型集中不等式，用于 LASSO 误差界、逐节点 LASSO 推断及阈值化长期协方差估计。
- 材料陈述的贡献
- 摘要称，给出 LASSO 非渐近界、基于逐节点回归的渐近正态性和阈值化 HAC 的尖锐收敛率，并考察交互效应面板模型。
- 阅读关注点
- 应核对尾部、依赖和稀疏性条件，面板样本规模如何定义，以及逐节点回归、HAC 阈值和交互效应估计误差的处理。
- 阅读边界
- 仅据所给 OpenAlex 摘要解读；具体条件、调参规则和实证数值未说明，允许非高斯及相关误差不代表对任意误差过程有效。
原文摘要
This paper provides the relevant literature with a complete toolkit for conducting robust estimation and inference about the parameters of interest involved in a high-dimensional panel data framework. Specifically, (1) we allow for non-Gaussian, serially and cross-sectionally correlated and heteroskedastic error processes, (2) we develop an estimation method for the high-dimensional long-run covariance matrix using a thresholded estimator, (3) we also allow for the number of regressors to grow faster than the sample size. Methodologically and technically, we develop two Nagaev-type concentration inequalities: one for a partial sum and the other for a quadratic form, subject to a set of easily verifiable conditions. Leveraging these two inequalities, we derive a non-asymptotic bound for the LASSO estimator, achieve asymptotic normality via the node-wise LASSO regression, and establish a sharp convergence rate for the thresholded heteroskedasticity and autocorrelation consistent (HAC) estimator. We demonstrate the practical relevance of these theoretical results by investigating a high-dimensional panel data model with interactive effects. Moreover, we conduct extensive numerical studies using simulated and real data examples.