Homogeneity and Sparsity Analysis for High-Dimensional Panel Data Models
高维面板数据模型的同质性与稀疏性分析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：摘要明确研究含个体和时间固定效应的高维面板，以及个体斜率的潜在分组。
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
高维面板数据模型的同质性与稀疏性分析
- 研究问题
- 在具有个体和时间固定效应的高维面板中，如何同时识别斜率系数同质的潜在群组，并筛选具有显著作用的协变量？
- 方法与思路
- 作者构造联合恢复分组与稀疏模式的惩罚估计量，提出目标函数优化算法，并通过裁剪惩罚项降低计算复杂度。
- 材料陈述的贡献
- 摘要称估计量在大样本下可一致恢复潜在群组与稀疏模式，裁剪还能提高分组识别准确性，并提供模拟与真实数据示例。
- 阅读关注点
- 应核对组间分离、组内同质性和稀疏条件、固定效应处理，以及惩罚选择、裁剪规则和优化算法的理论保障。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对刊本变化；维度与样本增长关系、算法细节和真实数据结果未说明，不能泛化性能优势。
原文摘要
In this article, we are interested in detecting latent group structures and significant covariates in a high-dimensional panel data model with both individual and time fixed effects. The slope coefficients of the model are assumed to be subject dependent, and there exist group structures where the slope coefficients are homogeneous within groups and heterogeneous between groups. We develop a penalized estimator for recovering the group structures and the sparsity patterns simultaneously. We propose a new algorithm to optimize the objective function. Furthermore, we propose a strategy to reduce the computational complexity by pruning the penalty terms in the objective function, which also improves the accuracy of group structure detection. The proposed estimator can recover the latent group structures and the sparsity patterns consistently in large samples. The finite sample performance of the proposed estimator is evaluated through Monte Carlo studies and illustrated with a real dataset.