Robust inference of panel data models with interactive fixed effects under long memory: A frequency domain approach
长记忆下交互固定效应面板模型的稳健推断：频域方法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：摘要以交互固定效应面板为模型主体，并直接处理平稳长记忆、频域估计与时间依赖。
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…
长记忆下交互固定效应面板模型的稳健推断：频域方法
- 研究问题
- 当交互固定效应面板中的解释变量、因子和特异误差均平稳但可能具有长记忆时，如何避免常规估计偏误与推断失真？
- 方法与思路
- 作者提出频域最小二乘估计，建立其极限分布，并构造无需代入估计记忆参数的自标准化推断，结合模拟与股票收益应用。
- 材料陈述的贡献
- 摘要称，频域方法在短记忆下表现稳健，在长程依赖下优于比较的时域方法，并用于考察股票收益与已实现波动率的长期关系。
- 阅读关注点
- 应核对各组成项的长记忆条件、频域估计的频率选择、自标准化统计量的构造，以及交互固定效应处理和模拟比较的范围。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；记忆参数范围、估计偏误机制和比较数值未说明，结论限定于所述平稳框架，不能外推至非平稳面板。
原文摘要
This paper studies a linear panel data model with interactive fixed effects wherein regressors, factors and idiosyncratic error terms are all stationary but with potential long memory. The setup involves a new formulation of panel data models, where weakly dependent regressors, factors and idiosyncratic errors are embedded as a special case. Standard methods based on principal component decomposition and least squares estimation, as in Bai (2009), are found to be biased and distorted in inference. To cope with this failure and to provide a simple implementable estimation procedure, a frequency domain least squares estimation is proposed. The limit distribution of the frequency domain estimator is established and a self-normalized approach to inference without the need for plug-in estimation of memory parameters is developed. Simulations show that the frequency domain estimator performs robustly under short memory and outperforms the time domain estimator when long range dependence is present. An empirical illustration is provided, examining the long-run relationship between stock returns and realized volatility.