Identification by Laplace transforms in nonlinear time series and panel models with unobserved stochastic dynamic effects
含未观测随机动态效应的非线性时间序列与面板模型的拉普拉斯变换识别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：摘要明确涵盖时间序列、面板数据，以及宏观应用中的非线性潜在因子模型。
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…
含未观测随机动态效应的非线性时间序列与面板模型的拉普拉斯变换识别
- 研究问题
- 在含未观测动态效应的非线性时间序列和面板模型中，如何识别回归参数，以及未观测效应的参数或非参数分布？
- 方法与思路
- 作者针对滞后内生变量和未观测动态效应上的仿射设定，利用适当的拉普拉斯变换构造非线性条件矩限制。
- 材料陈述的贡献
- 摘要称，这些条件矩可用于识别仿射回归参数及潜在效应分布，并适用于宏观金融潜在因子和随机时间效应面板模型。
- 阅读关注点
- 应核对仿射设定的具体含义、变换存在性和识别条件，以及参数分布与非参数分布识别分别依赖哪些信息。
- 阅读边界
- 仅据所给出版社摘要，不能判断识别结论是否覆盖一般非线性动态模型；条件矩的完整形式和可行估计程序未说明。
原文摘要
We consider nonlinear parametric and semi-parametric models for time series and panel data including unobserved dynamic effects. These regression models have an affine specification with respect to lagged endogenous variables and unobserved dynamic effects. We derive conditional moment restrictions based on suitable Laplace transforms. We show how to deploy these nonlinear moment restrictions to identify the parameters of the affine regression model, and the parametric or nonparametric distribution of the unobserved effects. This approach is appropriate for studying identification in (nonlinear) latent factor models encountered in macroeconomic and financial applications as well as in panel models with stochastic time effects.