ASYMPTOTICALLY UNBIASED ESTIMATION OF AUTOCOVARIANCES AND AUTOCORRELATIONS WITH LONG PANEL DATA
长面板数据中自协方差与自相关的渐近无偏估计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：摘要以面板个体异质性、组内自协方差和双维度渐近理论为核心。
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
长面板数据中自协方差与自相关的渐近无偏估计
- 研究问题
- 如何在面板数据中分离变量自身的动态相关与时间不变的个体异质性，并减少时间维度较短时组内估计的偏差？
- 方法与思路
- 作者分析组内自协方差的偏差首项与个体动态长期方差的联系，提出面板长期方差估计，并据此构造偏差缓解方法。
- 材料陈述的贡献
- 摘要称组内自协方差在横截面和时间维度同时增大时一致，且模拟显示所提修正程序能够降低小样本估计偏差。
- 阅读关注点
- 应核对个体动态和横截面依赖条件、长期方差的估计方式，以及自协方差修正如何进一步用于自相关估计与推断。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认偏差降低幅度和适用样本范围；题名涉及自相关，但摘要主要说明自协方差结果。
原文摘要
An important reason for analyzing panel data is to observe the dynamic nature of an economic variable separately from its time-invariant unobserved heterogeneity. This paper examines how to estimate the autocovariances of a variable separately from its time-invariant unobserved heterogeneity. When both cross-sectional and time series sample sizes tend to infinity, we show that the within-group autocovariances are consistent, although they are severely biased when the time series length is short. The biases have the leading term that converges to the long-run variance of the individual dynamics. This paper develops methods to estimate the long-run variance in panel data settings and to alleviate the biases of the within-group autocovariances based on the proposed long-run variance estimators. Monte Carlo simulations reveal that the procedures developed in this paper effectively reduce the biases of the estimators for small samples.