BOOTSTRAP AND k -STEP BOOTSTRAP BIAS CORRECTIONS FOR THE FIXED EFFECTS ESTIMATOR IN NONLINEAR PANEL DATA MODELS
非线性面板固定效应估计的 Bootstrap 与 k 步 Bootstrap 偏差修正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：摘要围绕非线性面板固定效应、附带参数偏差和平均边际效应展开。
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
非线性面板固定效应估计的 Bootstrap 与 k 步 Bootstrap 偏差修正
- 研究问题
- 非线性面板固定效应极大似然估计受到附带参数问题影响时，如何修正模型参数和平均边际效应的偏差并改善区间覆盖？
- 方法与思路
- 作者提出标准 Bootstrap 与 k 步 Bootstrap 偏差修正，建立渐近有效性，并在静态模型及部分动态马尔可夫模型中考察表现。
- 材料陈述的贡献
- 摘要称，两种修正对模型参数和平均边际效应均具有渐近有效性；模拟显示固定效应估计偏差下降，置信区间覆盖更准确。
- 阅读关注点
- 应核对横截面与时间维度的增长条件、重抽样机制、k 步算法实现，以及动态模型中初始条件和适用范围的处理。
- 阅读边界
- 解读仅限所给 Crossref 摘要；摘要未说明具体增长率及重抽样条件，不能据此认为修正解决了时间维度固定时的一般不一致性。
原文摘要
Because of the incidental parameters problem, the fixed effects maximum likelihood estimator in a nonlinear panel data model is in general inconsistent when the time series length T is short and fixed. Even if T approaches infinity but at a rate not faster than the cross sectional sample size n , the fixed effects estimator is still asymptotically biased. This paper proposes using the standard bootstrap and k -step bootstrap to correct the bias. We establish the asymptotic validity of the bootstrap bias corrections for both model parameters and average marginal effects. Our results apply to static models as well as some dynamic Markov models. Monte Carlo simulations show that our procedures are effective in reducing the bias of the fixed effects estimator and improving the coverage accuracy of the associated confidence interval.