Robust Inference Methods for Latent Group Panel Models under Possible Group Non-Separation
潜在分组可能无法分离时面板模型的稳健推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要的核心是潜在分组线性面板模型推断，直接对应面板数据；增长收敛俱乐部应用同时提供宏观面板的明确依据。
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
潜在分组可能无法分离时面板模型的稳健推断
- 研究问题
- 在线性面板模型中，系数的潜在分组需要由数据估计且组间可能无法分离时，如何对一般线性限制作有效推断？
- 方法与思路
- 作者条件于数据估计的分组结构开展选择性推断，构造条件检验并反演得到置信集合，以纳入分组估计的不确定性。
- 材料陈述的贡献
- 摘要称已知方差的高斯误差下检验精确有效，一般误差下渐近有效，并在模拟及增长收敛俱乐部应用中展示效果。
- 阅读关注点
- 应核对分组算法对应的选择事件、条件分布的计算，以及一般误差、序列相关和截面依赖下有效性所需的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；精确有效性有明确误差和方差前提，摘要未说明一般情形的完整渐近条件。
原文摘要
We develop robust inference methods for general linear hypotheses in linear panel data models with latent group structure in the coefficients. We employ a selective conditional inference approach based on the conditional distribution of coefficient estimates given the group structure estimated from the data. The resulting inference procedures remain valid even when group separation fails (i.e., when the distributional properties of the group-specific coefficients are not established) and, because they account for uncertainty in estimating the group structure, they also improve on conventional asymptotic procedures in finite samples when separation does hold. Our tests are exactly valid under Gaussian errors with known variances and asymptotically valid under general error distributions. Unlike much of the post-clustering inference literature, which focuses on testing group homogeneity, our framework accommodates arbitrary linear restrictions on the group-specific coefficients. Inverting the conditional tests yields selective confidence sets with valid coverage conditional on the estimated group structure. We illustrate the methods through Monte Carlo simulations and an application to growth convergence clubs. Simulations demonstrate accurate size control and good power in finite samples, including in the presence of serial correlation and cross-sectional dependence. The applications show sharp differences between the traditional inference methods and robust methods proposed in this paper, illustrating the importance of taking the estimated group structure into account.