Grouped fixed effects regularization for binary choice models
二元选择模型中的分组固定效应正则化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：摘要明确研究面板二元选择模型、固定效应和平均偏效应，直接对应面板数据与离散选择两个方向。
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…
二元选择模型中的分组固定效应正则化
- 研究问题
- 面板二元选择模型发生严重完全分离时，如何减少样本损失、改善平均偏效应推断，并为响应不变的个体提供预测？
- 方法与思路
- 作者以 k-means 聚类离散化未观测异质性，使估计依赖组内响应变化，并依据平均偏效应渐近理论选择组数。
- 材料陈述的贡献
- 摘要称分组可缓解完全分离；模拟中平均偏效应估计无偏、推断可靠，两个应用展示了组数敏感性及预测覆盖的扩大。
- 阅读关注点
- 应核对聚类使用的信息、组数选择规则、异质性近似误差与附带参数偏差的权衡，以及平均偏效应的推断条件。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审与期刊接收未核实；模拟中的无偏与可靠推断不能视为所有数据生成过程下的保证。
原文摘要
We study the application of the grouped fixed effects approach to binary choice models for panel data in presence of severe complete separation. Through data loss, complete separation may lead to biased estimates of Average Partial Effects and imprecise inference. Moreover, forecasts are not available for units without variability in the response configuration. The grouped fixed effects approach discretizes unobserved heterogeneity via k-means clustering, thus reducing the number of fixed effects to estimate. This regularization reduces complete separation, since it relies on within-cluster rather than within-subject response transitions. Drawing from asymptotic theory for the APEs, we propose choosing a number of groups such that clustering delivers a good approximation of the latent trait while keeping the incidental parameters problem under control. The simulation results show that the proposed approach delivers unbiased estimates and reliable inference for the APEs. Two empirical applications illustrate the sensitivity of the results to the choice of the number of groups and how nontrivial forecasts for a much larger number of units can be obtained.