GMM-lev estimation and individual heterogeneity: Monte Carlo evidence and empirical applications
水平式 GMM 估计与个体异质性：蒙特卡洛证据及实证应用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：摘要明确讨论面板 GMM、个体异质性、初始条件与时不变协变量，直接属于面板数据。
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
水平式 GMM 估计与个体异质性：蒙特卡洛证据及实证应用
- 研究问题
- 面板水平式 GMM 中，解释变量可能同时与个体异质性及冲击相关，如何处理这种双重内生性并估计时不变协变量的作用？
- 方法与思路
- 作者将相关随机效应方法嵌入水平式 GMM，提出 CRE-GMM，处理个体异质性、初始条件和双重内生性，并开展模拟与应用。
- 材料陈述的贡献
- 摘要称，CRE-GMM 可利用全部可用信息估计可测时不变协变量的效应，并在不同面板模拟及生产、研发应用中表现出优势。
- 阅读关注点
- 阅读时应核对相关随机效应设定、工具变量与初始条件要求，以及与差分和系统 GMM 比较时各方法的具体实现。
- 阅读边界
- 本条依据 arXiv 预印本摘要，同行评审与接收未核实；摘要未提供矩条件和数值结果，对系统 GMM 信息使用的比较需结合实现核对。
原文摘要
We introduce a new estimator, CRE-GMM, which exploits the correlated random effects (CRE) approach within the generalised method of moments (GMM), specifically applied to level equations, GMM-lev. It has the advantage of estimating the effect of measurable time-invariant covariates using all available information. This is not possible with GMM-dif, applied to the equations of each period transformed into first differences, while GMM-sys uses little information as it adds the equation in levels for only one period. The GMM-lev, by implying a two-component error term containing individual heterogeneity and shock, exposes the explanatory variables to possible double endogeneity. For example, the estimation of actual persistence could suffer from bias if instruments were correlated with the unit-specific error component. The CRE-GMM deals with double endogeneity, captures initial conditions and enhance inference. Monte Carlo simulations for different panel types and under different double endogeneity assumptions show the advantage of our approach. The empirical applications on production and R&D contribute to clarify the advantages of using CRE-GMM.