Robust linear static panel data models using ε -contamination
基于 ε 污染的稳健线性静态面板模型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：摘要明确研究线性静态面板模型、个体效应及多种面板估计设定，面板数据是最直接对应的领域细分。
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…
基于 ε 污染的稳健线性静态面板模型
- 研究问题
- 如何在统一的贝叶斯框架下稳健估计线性静态面板模型，并兼容随机效应及多种相关个体效应设定？
- 方法与思路
- 作者采用 ε 污染与两步条件第二类最大似然后验构造，使后验均值结合基准先验估计和数据依赖的经验贝叶斯估计。
- 材料陈述的贡献
- 摘要称框架涵盖多种面板模型，并提出两层与三层层级估计量；模拟显示三层估计量表现相对较好。
- 阅读关注点
- 应核对污染类与基准先验的定义、后验权重如何确定，以及层级估计在不同个体效应设定下的稳健性和模拟评价。
- 阅读边界
- 仅据所给出版社摘要，稳健性针对何种偏离及其理论边界未说明；模拟的相对良好表现不能视为普遍优势。
原文摘要
The paper develops a general Bayesian framework for robust linear static panel data models usingε-contamination. A two-step approach is employed to derive the conditional type-II maximum likelihood (ML-II) posterior distribution of the coefficients and individual effects. The ML-II posterior means are weighted averages of the Bayes estimator under a base prior and the data-dependent empirical Bayes estimator. Two-stage and three stage hierarchy estimators are developed and their finite sample performance is investigated through a series of Monte Carlo experiments. These include standard random effects as well as Mundlak-type, Chamberlain-type and Hausman–Taylor-type models. The simulation results underscore the relatively good performance of the three-stage hierarchy estimator. Within a single theoretical framework, our Bayesian approach encompasses a variety of specifications while conventional methods require separate estimators for each case.