Panel Data Estimation and Inference: Homogeneity versus Heterogeneity
面板数据估计与推断：同质性与异质性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：摘要明确以同质及异质面板的估计、检验与截面依赖为核心，未提供足以归入宏观面板的应用依据。
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…
面板数据估计与推断：同质性与异质性
- 研究问题
- 在同时存在不同强度的截面依赖和时间自相关时，如何统一分析同质及异质面板估计、检验和检验后推断？
- 方法与思路
- 作者使用高维无限阶移动平均过程，扩展 Beveridge–Nelson 分解，并结合高斯近似与 Edgeworth 展开研究推断。
- 材料陈述的贡献
- 摘要称构建统一渐近工具，连接分组结构、非平稳面板和共同相关效应估计，并以模拟及实际数据检验理论表现。
- 阅读关注点
- 应核对截面与时间维度的增长关系、依赖强度限制、同质性检验和检验后推断，以及非平稳扩展的适用条件。
- 阅读边界
- 这是预印本，同行评审及接收未核实。摘要未列维数增长、矩条件或展开余项，无法判断统一推断的具体覆盖范围。
原文摘要
In this paper, we define an underlying data generating process that allows for different magnitudes of cross-sectional dependence, along with time series autocorrelation. This is achieved via high-dimensional moving average processes of infinite order (HDMA($\infty$)). Our setup and investigation integrates and enhances homogenous and heterogeneous panel data estimation and testing in a unified way. To study HDMA($\infty$), we extend the Beveridge-Nelson decomposition to a high-dimensional time series setting, and derive a complete toolkit set. We exam homogeneity versus heterogeneity using Gaussian approximation, a prevalent technique for establishing uniform inference. For post-testing inference, we derive central limit theorems through Edgeworth expansions for both homogenous and heterogeneous settings. Additionally, we showcase the practical relevance of the established asymptotic theory by (1). connecting our results with the literature on grouping structure analysis, (2). examining a nonstationary panel data generating process, and (3). revisiting the common correlated effects (CCE) estimators. Finally, we verify our theoretical findings via extensive numerical studies using both simulated and real datasets.