Panel threshold regression with unobserved individual-specific threshold effects
含不可观测个体特定阈值效应的面板阈值回归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：摘要核心为面板阈值回归的估计与推断，涉及静态与动态面板模型、个体效应与机制数选择，直接对应面板数据方向。
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…
含不可观测个体特定阈值效应的面板阈值回归
- 研究问题
- 摘要称，本文研究多机制面板阈值回归中，当存在不可观测的个体特定阈值效应时，如何进行估计与推断，并考察静态与动态模型下传统方法是否仍然一致。
- 方法与思路
- 作者提出用相关随机效应模型处理此类面板阈值系统中的内生性，并构建统一估计与推断框架；方法包含基于序贯检验的模型选择，允许机制数目被低估，并给出对模型误设稳健的最小二乘渐近理论及新的推断方法。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：指出组内去均值与组内一阶差分均无法得到一致的阈值估计量；提出相关随机效应思路；建立无论个体特定阈值效应是否存在、机制数是否被正确设定都适用的统一估计与推断框架，并给出改进的渐近与有限样本性质。
- 阅读关注点
- 应核对：不可观测个体特定阈值效应的具体设定与识别来源；相关随机效应模型如何参数化并处理内生性；序贯检验的检验统计量、临界值与机制数低估下的渐近结论；新推断方法相对既有方法改进的具体条件；模拟设计与实证应用的数据与结论。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、定理条件与证明细节、模拟的有限样本表现及实证结论的稳健性；摘要未说明具体数据来源、机制数目、参数取值与数值结果。
原文摘要
This paper provides a new approach to estimation and inference in multiple regime panel threshold regression with unobserved individual-specific threshold effects. Such effects are practically relevant and have features that distinguish them from traditional linear panel data models. It is shown that within-regime demeaning in the static model or within-regime first-differencing in the dynamic model both fail to deliver consistent threshold estimators. Instead, correlated random effects models are suggested to address endogeneity in such panel threshold systems. The paper develops a unified framework of estimation and inference for both static and dynamic models that applies irrespective of whether the unobserved individual-specific threshold effects exist or whether the number of regimes is correctly specified. The approach involves model selection based on sequential testing which allows for underestimation of the number of regimes, develops asymptotic theory for least squares estimation that is robust to such model misspecification, and proposes new inferential methods for the model parameters which have improved asymptotic and empirical properties over existing methods. Simulations combined with an empirical application illustrate the practical utility of the new methodology.