Shrinkage Estimation and Identification of Latent Group Structures in Panel Data with Interactive Fixed Effects
交互固定效应面板中潜在组结构的收缩估计与识别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：方法针对个体分组的面板模型，应用明确涉及各国经济增长的宏观面板。
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…
关注这篇论文的作者
交互固定效应面板中潜在组结构的收缩估计与识别
- 研究问题
- 在含交互固定效应和大量解释变量的面板中，如何同时发现未知组数或个体组别，并筛选相关解释变量以估计潜在分组结构？
- 方法与思路
- 作者在主成分估计中同时加入成对融合惩罚和自适应 LASSO 惩罚，分别用于分组与变量筛选，并开发交替方向乘子算法实施估计。
- 材料陈述的贡献
- 摘要提出联合分组、变量筛选与收缩估计的框架及实现算法，并以模拟和跨国经济增长应用展示表现，但未陈述具体理论保证。
- 阅读关注点
- 应核对组别与斜率的具体关系、未知组数的确定方式、两类惩罚的调参规则，以及算法收敛、变量筛选和分组识别是否各有理论支持。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断分组一致性、选择一致性或计算复杂度；模拟和应用的良好表现缺少数值细节，刊本变化亦未提供。
原文摘要
This paper provides a framework for joint shrinkage estimation and identification of latent group structures in panel data models with interactive fixed effects and large number of explanatory variables. The latent structure of the model allows individuals to be classified into a number of groups where the number of groups and/or each individual’s group identity are unknown. A doubly penalized principal component estimation procedure using a pairwise fusion penalty and an adaptive LASSO (least absolute shrinkage and selection operator) penalty is introduced to detect the latent group structure and select the relevant regressors. To implement the proposed approach, an alternating direction method of multipliers algorithm has been developed. The proposed method is further illustrated by simulation studies and an empirical application of economic growth across various countries which demonstrate the good performance of the method.