Uniform Quasi ML based inference for the panel AR(1) model
面板 AR(1) 模型中基于准极大似然的一致有效推断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：摘要明确针对动态面板 AR(1) 模型、固定效应和识别稳健推断，因此归入面板数据。
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
面板 AR(1) 模型中基于准极大似然的一致有效推断
- 研究问题
- 面板 AR(1) 模型在初始条件任意、存在异方差且识别可能很弱时，如何构造对识别强度稳健的似然检验与置信集合？
- 方法与思路
- 作者以对数似然的期望 Hessian 构造准 LM 检验和置信集合，并在二阶识别设定下分析使用中心化 OPG 的固定效应检验。
- 材料陈述的贡献
- 摘要称检验尺寸和覆盖率具有一致渐近有效性，并对分布误设及异质性稳健；特定固定效应检验的功效包络达到最坏情形的上界。
- 阅读关注点
- 应核对一致性覆盖的参数空间、面板维度渐近安排、期望 Hessian 的可行估计，以及二阶识别和最坏情形功效结论的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未列出正则条件；模拟中未拒绝正确尺寸假说，不等于证明有限样本尺寸准确。
原文摘要
Maximum Likelihood (ML) offers attractive alternatives to Generalized Method of Moments (GMM) estimators for dynamic panel data models. However, to date no identification-robust inference methods exist that can be used in conjunction with the ML estimators for these models. In this paper we propose ML based inference methods for panel AR(1) models with arbitrary initial conditions and heteroskedasticity that are robust to the strength of identification. We show that (Quasi) Lagrange Multiplier (LM) tests and confidence sets (CSs) that use the expected Hessian rather than the observed Hessian of the log-likelihood function have correct asymptotic size and coverage probability in a uniform sense, respectively. Such Quasi LM tests and CSs are also robust to misspecification of the distribution of the data and to heterogeneity, including heteroskedasticity. We derive the power envelope of a Fixed Effects version of such an LM test for hypotheses involving the autoregressive parameter when the average information matrix is estimated by a centered OPG estimator and the model is only second-order identified, and show that it coincides with the maximal attainable power curve in the worst-case setting. We also study the empirical size and power properties of these (Quasi) LM tests and find that the hypothesis that the (Quasi) LM test has correct size cannot be rejected.