Datasets:

mabidan

/

econ_paper_abstracts_fa_translation

like 0

The meaning of public messages such as "One in x people gets cancer" or "One in y people gets cancer by age z" can be improved. One assumption commonly invoked is that there is no other cause of death, a confusing assumption. We develop a light bulb model to clarify cumulative risk and we use Markov chain modeling, incorporating the assumption widely in place, to evaluate transition probabilities. Age-progression in the cancer risk is then reported on Australian data. Future modelling can elicit realistic assumptions.

معنی پیام های عمومی مانند "یکی در X افراد سرطان می شود" یا "یکی در y افراد با سن z به سرطان می رسند. یک فرض معمولاً یک فرض استناد به این است که علت مرگ دیگری وجود ندارد ، یک فرض گیج کننده.ما برای روشن کردن خطر تجمعی یک مدل لامپ کم نور ایجاد کنید و ما از زنجیره مارکوف استفاده می کنیم مدل سازی ، ترکیب فرض به طور گسترده در محل ، برای ارزیابی انتقال احتمالاتسپس پیشرفت سنی در خطر سرطان گزارش شده است داده های استرالیامدل سازی آینده می تواند فرضیات واقع بینانه را استخراج کند.

Statements for public health purposes such as "1 in 2 will get cancer by age 85" have appeared in public spaces. The meaning drawn from such statements affects economic welfare, not just public health. Both markets and government use risk information on all kinds of risks, useful information can, in turn, improve economic welfare, however inaccuracy can lower it. We adapt the contingency table approach so that a quoted risk is cross-classified with the states of nature. We show that bureaucratic objective functions regarding the accuracy of a reported cancer risk can then be stated.

اظهارات برای اهداف بهداشت عمومی مانند "1 در 2 با افزایش سن سرطان می شود 85 "در فضاهای عمومی ظاهر شده است. معنی حاصل از چنین بیانیه هایی بر رفاه اقتصادی تأثیر می گذارد ، نه فقط بهداشت عمومی.هم بازار و هم دولت از اطلاعات خطر در مورد انواع خطرات استفاده کنید ، به نوبه خود اطلاعات مفید می تواند بهبود رفاه اقتصادی ، با این حال عدم صحت می تواند آن را کاهش دهد.ما سازگار می شویم رویکرد جدول احتمالی به گونه ای که یک خطر نقل شده با طبقه بندی متقابل باشد حالت های طبیعت.ما نشان می دهیم که عملکردهای هدف بوروکراتیک در مورد دقت در مورد خطر سرطان گزارش شده را می توان بیان کرد.

This paper applies economic concepts from measuring income inequality to an exercise in assessing spatial inequality in cancer service access in regional areas. We propose a mathematical model for accessing chemotherapy among local government areas (LGAs). Our model incorporates a distance factor. With a simulation we report results for a single inequality measure: the Lorenz curve is depicted for our illustrative data. We develop this approach in order to move incrementally towards its application to actual data and real-world health service regions. We seek to develop the exercises that can lead policy makers to relevant policy information on the most useful data collections to be collected and modeling for cancer service access in regional areas.

در این مقاله مفاهیم اقتصادی از اندازه گیری نابرابری درآمدی گرفته تا یک ورزش در ارزیابی نابرابری مکانی در دسترسی به خدمات سرطان در منطقه ای مناطق.ما یک مدل ریاضی برای دسترسی به شیمی درمانی در بین محلی پیشنهاد می کنیم مناطق دولتی (LGA).مدل ما دارای یک عامل فاصله است.با یک شبیه سازی ما نتایج را برای یک اندازه نابرابری واحد گزارش می کنیم: منحنی لورنز برای داده های مصور ما نشان داده شده است.ما این رویکرد را توسعه می دهیم تا به صورت تدریجی به سمت کاربرد آن به داده های واقعی و سلامت در دنیای واقعی حرکت کنید مناطق خدماتما به دنبال توسعه تمریناتی هستیم که می تواند سیاست گذاران را هدایت کند به اطلاعات مربوط به خط مشی مربوط به مفیدترین مجموعه داده ها جمع آوری و مدل سازی برای دسترسی به خدمات سرطان در مناطق منطقه ای.

The data mining technique of time series clustering is well established in many fields. However, as an unsupervised learning method, it requires making choices that are nontrivially influenced by the nature of the data involved. The aim of this paper is to verify usefulness of the time series clustering method for macroeconomics research, and to develop the most suitable methodology. By extensively testing various possibilities, we arrive at a choice of a dissimilarity measure (compression-based dissimilarity measure, or CDM) which is particularly suitable for clustering macroeconomic variables. We check that the results are stable in time and reflect large-scale phenomena such as crises. We also successfully apply our findings to analysis of national economies, specifically to identifying their structural relations.

تکنیک داده کاوی خوشه بندی سری زمانی به خوبی در مشخص شده است بسیاری از زمینه هابا این حال ، به عنوان یک روش یادگیری بدون نظارت ، نیاز به ساخت دارد گزینه هایی که به طور غیرقانونی تحت تأثیر ماهیت داده های درگیر قرار می گیرند. هدف این مقاله تأیید سودمندی خوشه بندی سری زمانی است روش تحقیقات اقتصاد کلان و توسعه مناسب ترین روش شناسی با آزمایش گسترده امکانات مختلف ، ما به انتخابی می رسیم اندازه گیری اختلاف (اندازه گیری تفاوت مبتنی بر فشرده سازی ، یا CDM) که به ویژه برای خوشه بندی متغیرهای کلان اقتصادی مناسب است.ما آن را بررسی می کنیم نتایج در زمان پایدار است و منعکس کننده پدیده های در مقیاس بزرگ مانند بحران هاما همچنین با موفقیت یافته های خود را برای تجزیه و تحلیل ملی به کار می بریم اقتصادها ، به ویژه برای شناسایی روابط ساختاری آنها.

This paper re-examines the problem of estimating risk premia in linear factor pricing models. Typically, the data used in the empirical literature are characterized by weakness of some pricing factors, strong cross-sectional dependence in the errors, and (moderately) high cross-sectional dimensionality. Using an asymptotic framework where the number of assets/portfolios grows with the time span of the data while the risk exposures of weak factors are local-to-zero, we show that the conventional two-pass estimation procedure delivers inconsistent estimates of the risk premia. We propose a new estimation procedure based on sample-splitting instrumental variables regression. The proposed estimator of risk premia is robust to weak included factors and to the presence of strong unaccounted cross-sectional error dependence. We derive the many-asset weak factor asymptotic distribution of the proposed estimator, show how to construct its standard errors, verify its performance in simulations, and revisit some empirical studies.

در این مقاله مشکل تخمین حق ریسک در فاکتور خطی دوباره بررسی شده است مدل های قیمت گذاری.به طور معمول ، داده های مورد استفاده در ادبیات تجربی است با ضعف برخی از عوامل قیمت گذاری ، مقطعی قوی وابستگی به خطاها ، و (متوسط) ابعاد سطح بالا. با استفاده از یک چارچوب بدون علامت که در آن تعداد دارایی ها/اوراق بهادار با آن رشد می کند مدت زمان داده ها در حالی که قرار گرفتن در معرض خطر عوامل ضعیف است محلی به صفر ، ما نشان می دهیم که روش تخمین دو گذر معمولی تخمین های متناقض از حق ریسک را ارائه می دهد.ما تخمین جدیدی را پیشنهاد می کنیم روش مبتنی بر رگرسیون متغیرهای ابزاری تقسیم نمونه.در برآوردگر پیشنهادی حق ریسک ریسک برای عوامل ضعیف و ضعیف است وجود وابستگی خطای مقطعی قوی و قوی.ما استخراج می کنیم توزیع بدون علامت فاکتور ضعف بسیاری از برآوردگر پیشنهادی ، نشان می دهد چگونه خطاهای استاندارد خود را بسازیم ، عملکرد آن را در شبیه سازی ها تأیید کنید ، و برخی از مطالعات تجربی را دوباره بررسی کنید.

This paper analyzes the bank lending channel and the heterogeneous effects on the euro area, providing evidence that the channel is indeed working. The analysis of the transmission mechanism is based on structural impulse responses to an unconventional monetary policy shock on bank loans. The Bank Lending Survey (BLS) is exploited in order to get insights on developments of loan demand and supply. The contribution of this paper is to use country-specific data to analyze the consequences of unconventional monetary policy, instead of taking an aggregate stance by using euro area data. This approach provides a deeper understanding of the bank lending channel and its effects. That is, an expansionary monetary policy shock leads to an increase in loan demand, supply and output growth. A small north-south disparity between the countries can be observed.

در این مقاله کانال وام بانکی و اثرات ناهمگن بر روی منطقه یورو ، شواهدی را ارائه می دهد که کانال در واقع کار می کند.در تجزیه و تحلیل مکانیسم انتقال مبتنی بر پاسخ های تکانه ساختاری است به یک شوک سیاست پولی غیر متعارف در وام های بانکی.وام بانکی نظرسنجی (BLS) برای به دست آوردن بینش در مورد تحولات وام مورد سوء استفاده قرار می گیرد تقاضا و عرضهسهم این مقاله استفاده از کشور خاص است داده ها برای تجزیه و تحلیل پیامدهای سیاست پولی غیر متعارف ، به جای با استفاده از داده های منطقه یورو موضع کل.این رویکرد یک درک عمیق تر از کانال وام بانکی و اثرات آن.یعنی ، شوک سیاست پولی انبساط منجر به افزایش تقاضای وام ، عرضه می شود و رشد خروجییک اختلاف کوچک شمال و جنوب بین کشورها می تواند باشد مشاهده شده.

I present a dynamic, voluntary contribution mechanism, public good game and derive its potential outcomes. In each period, players endogenously determine contribution productivity by engaging in costly investment. The level of contribution productivity carries from period to period, creating a dynamic link between periods. The investment mimics investing in the stock of technology for producing public goods such as national defense or a clean environment. After investing, players decide how much of their remaining money to contribute to provision of the public good, as in traditional public good games. I analyze three kinds of outcomes of the game: the lowest payoff outcome, the Nash Equilibria, and socially optimal behavior. In the lowest payoff outcome, all players receive payoffs of zero. Nash Equilibrium occurs when players invest any amount and contribute all or nothing depending on the contribution productivity. Therefore, there are infinitely many Nash Equilibria strategies. Finally, the socially optimal result occurs when players invest everything in early periods, then at some point switch to contributing everything. My goal is to discover and explain this point. I use mathematical analysis and computer simulation to derive the results.

من یک مکانیزم مشارکت پویا و داوطلبانه ، بازی خوب عمومی و نتایج بالقوه آن را استخراج کنید.در هر دوره ، بازیکنان به صورت درون زا تعیین می کنند بهره وری مشارکت با شرکت در سرمایه گذاری پر هزینه.سطح بهره وری مشارکت از دوره به دوره دیگر ، ایجاد پویا است پیوند بین دوره ها.سرمایه گذاری سرمایه گذاری در سهام فناوری تولید کالاهای عمومی مانند دفاع ملی یا تمیز محیط.پس از سرمایه گذاری ، بازیکنان تصمیم می گیرند که چه مقدار از پول باقی مانده خود برای کمک به تأمین منافع عمومی ، مانند کالاهای عمومی سنتی بازی ها.من سه نوع نتیجه بازی را تجزیه و تحلیل می کنم: کمترین بازپرداخت نتیجه ، تعادل نش و رفتار بهینه اجتماعی.در پایین ترین نتیجه بازپرداخت ، همه بازیکنان بازپرداخت صفر دریافت می کنند.تعادل نش اتفاق می افتد وقتی بازیکنان هر مبلغی را سرمایه گذاری می کنند و بسته به این همه یا هیچ چیز کمک می کنند بهره وری مشارکت.بنابراین ، بی نهایت تعادل NASH وجود دارد استراتژی ها.سرانجام ، نتیجه بهینه اجتماعی هنگامی که بازیکنان سرمایه گذاری می کنند اتفاق می افتد همه چیز در دوره های اولیه ، سپس در بعضی از نقاط به مشارکت تبدیل می شود همه چيز.هدف من کشف و توضیح این نکته است.من از ریاضی استفاده می کنم تجزیه و تحلیل و شبیه سازی رایانه برای استخراج نتایج.

Wang and Tchetgen Tchetgen (2017) studied identification and estimation of the average treatment effect when some confounders are unmeasured. Under their identification condition, they showed that the semiparametric efficient influence function depends on five unknown functionals. They proposed to parameterize all functionals and estimate the average treatment effect from the efficient influence function by replacing the unknown functionals with estimated functionals. They established that their estimator is consistent when certain functionals are correctly specified and attains the semiparametric efficiency bound when all functionals are correctly specified. In applications, it is likely that those functionals could all be misspecified. Consequently their estimator could be inconsistent or consistent but not efficient. This paper presents an alternative estimator that does not require parameterization of any of the functionals. We establish that the proposed estimator is always consistent and always attains the semiparametric efficiency bound. A simple and intuitive estimator of the asymptotic variance is presented, and a small scale simulation study reveals that the proposed estimation outperforms the existing alternatives in finite samples.

Wang and Tchetgen Tchetgen (2017) شناسایی و تخمین از میانگین اثر درمانی هنگامی که برخی از مخدوشان اندازه گیری نشده اند.زیر آنها شرایط شناسایی ، آنها نشان دادند که نیمه کارآمد عملکرد تأثیر به پنج عملکرد ناشناخته بستگی دارد.آنها پیشنهاد دادند پارامتر کردن کلیه عملکردها و تخمین میانگین اثر درمانی از عملکرد تأثیر کارآمد با جایگزینی عملکردهای ناشناخته با عملکردهای تخمین زده شده.آنها ثابت کردند که برآوردگر آنها زمانی سازگار است برخی از عملکردهای خاص به درستی مشخص شده و به نیمهرامتری می رسند هنگامی که همه عملکردها به درستی مشخص شوند ، کارآیی محدود می شود.در برنامه ها ، این احتمال وجود دارد که این کارکردها همه بتوانند اشتباه نشوند.در نتیجه برآوردگر آنها می تواند متناقض یا سازگار باشد اما کارآمد نباشد.این مقاله یک برآوردگر جایگزین را ارائه می دهد که نیازی به پارامتر ندارد از هر یک از عملکردها.ما ثابت می کنیم که برآوردگر پیشنهادی همیشه است سازگار و همیشه به کارآیی نیمهرامتری می رسد.یک ساده و برآوردگر بصری واریانس بدون علامت ارائه شده است ، و یک مقیاس کوچک مطالعه شبیه سازی نشان می دهد که برآورد پیشنهادی از موجود است گزینه های دیگر در نمونه های محدود.

This paper analyzes how the legalization of same-sex marriage in the U.S. affected gay and lesbian couples in the labor market. Results from a difference-in-difference model show that both partners in same-sex couples were more likely to be employed, to have a full-time contract, and to work longer hours in states that legalized same-sex marriage. In line with a theoretical search model of discrimination, suggestive empirical evidence supports the hypothesis that marriage equality led to an improvement in employment outcomes among gays and lesbians and lower occupational segregation thanks to a decrease in discrimination towards sexual minorities.

این مقاله به بررسی چگونگی قانونی شدن ازدواج همجنسگرا در ایالات متحده می پردازد. زوج های همجنسگرا و لزبین را در بازار کار تحت تأثیر قرار دادند.نتایج حاصل از مدل اختلاف در اختلاف نشان می دهد که هر دو شریک در زوج های همجنس بودند به احتمال زیاد شاغل است ، یک قرارداد تمام وقت و طولانی تر کار می کند ساعاتی در کشورهایی که ازدواج همجنسگرا را قانونی کرده اند.مطابق با یک نظری مدل جستجو از تبعیض ، شواهد تجربی حاکی از آن پشتیبانی می کند فرضیه مبنی بر برابری ازدواج منجر به بهبود نتایج اشتغال شد در میان همجنسگرایان و لزبین ها و تفکیک شغلی پایین به لطف کاهش در تبعیض نسبت به اقلیت های جنسی.

Regression quantiles have asymptotic variances that depend on the conditional densities of the response variable given regressors. This paper develops a new estimate of the asymptotic variance of regression quantiles that leads any resulting Wald-type test or confidence region to behave as well in large samples as its infeasible counterpart in which the true conditional response densities are embedded. We give explicit guidance on implementing the new variance estimator to control adaptively the size of any resulting Wald-type test. Monte Carlo evidence indicates the potential of our approach to deliver powerful tests of heterogeneity of quantile treatment effects in covariates with good size performance over different quantile levels, data-generating processes and sample sizes. We also include an empirical example. Supplementary material is available online.

مقادیر رگرسیون دارای واریانس های بدون علامت هستند که به شرطی بستگی دارند تراکم متغیر پاسخ با توجه به رگرسیون.این مقاله جدید ایجاد می کند برآورد واریانس بدون علامت از مقادیر رگرسیون که منجر به هرگونه نتیجه آزمایش والد یا منطقه اعتماد به نفس نیز به طور گسترده ای رفتار می کند نمونه ها به عنوان همتای غیرقابل تحمل آن که در آن پاسخ شرطی واقعی است تراکم تعبیه شده است.ما در مورد اجرای جدید راهنمایی صریح می کنیم برآوردگر واریانس برای کنترل تطبیقی اندازه هر نوع والد حاصل تست.شواهد مونت کارلو نشانگر پتانسیل رویکرد ما برای ارائه است آزمایش های قدرتمند ناهمگونی اثرات درمانی کمی در متغیرهای متغیر با عملکرد اندازه خوب نسبت به سطوح مختلف مختلف ، تولید داده فرآیندها و اندازه های نمونه.ما همچنین یک مثال تجربی را در بر می گیریم.تکمیلی مواد به صورت آنلاین در دسترس است.

The accumulation of knowledge required to produce economic value is a process that often relates to nations economic growth. Such a relationship, however, is misleading when the proxy of such accumulation is the average years of education. In this paper, we show that the predictive power of this proxy started to dwindle in 1990 when nations schooling began to homogenized. We propose a metric of human capital that is less sensitive than average years of education and remains as a significant predictor of economic growth when tested with both cross-section data and panel data. We argue that future research on economic growth will discard educational variables based on quantity as predictor given the thresholds that these variables are reaching.

تجمع دانش مورد نیاز برای تولید ارزش اقتصادی یک فرایند است این اغلب مربوط به رشد اقتصادی ملل است.با این حال ، چنین رابطه ای است گمراه کردن وقتی پروکسی چنین انباشت متوسط سال است تحصیلات.در این مقاله ، ما نشان می دهیم که قدرت پیش بینی کننده این پروکسی در سال 1990 هنگامی که آموزشگاه ملل شروع به همگن کرد ، شروع به کاهش کرد.ما متریک سرمایه انسانی را پیشنهاد کنید که نسبت به سالهای متوسط حساسیت کمتری داشته باشد آموزش و پرورش و به عنوان یک پیش بینی کننده مهم در رشد اقتصادی هنگام آزمایش باقی می ماند با داده های مقطع و داده های پانل.ما استدلال می کنیم که تحقیقات آینده در مورد رشد اقتصادی متغیرهای آموزشی را بر اساس کمیت دور می کند پیش بینی با توجه به آستانه هایی که این متغیرها به دست می آیند.

The public debt and deficit ceilings of the Maastricht Treaty are the subject of recurring controversy. First, there is debate about the role and impact of these criteria in the initial phase of the introduction of the single currency. Secondly, it must be specified how these will then be applied, in a permanent regime, when the single currency is well established.

سقف های بدهی عمومی و کسری پیمان ماستریخت موضوع است بحث و جدال مکرر.اول ، بحث در مورد نقش و تأثیر وجود دارد این معیارها در مرحله اولیه معرفی ارز واحد. ثانیا ، باید مشخص شود که چگونه این موارد در یک دائمی اعمال می شود رژیم ، هنگامی که ارز واحد به خوبی تثبیت می شود.

If multiway cluster-robust standard errors are used routinely in applied economics, surprisingly few theoretical results justify this practice. This paper aims to fill this gap. We first prove, under nearly the same conditions as with i.i.d. data, the weak convergence of empirical processes under multiway clustering. This result implies central limit theorems for sample averages but is also key for showing the asymptotic normality of nonlinear estimators such as GMM estimators. We then establish consistency of various asymptotic variance estimators, including that of Cameron et al. (2011) but also a new estimator that is positive by construction. Next, we show the general consistency, for linear and nonlinear estimators, of the pigeonhole bootstrap, a resampling scheme adapted to multiway clustering. Monte Carlo simulations suggest that inference based on our two preferred methods may be accurate even with very few clusters, and significantly improve upon inference based on Cameron et al. (2011).

اگر از خطاهای استاندارد خوشه ای-روبست به طور معمول در کاربردی استفاده می شود اقتصاد ، با کمال تعجب نتایج نظری این عمل را توجیه می کند.این هدف کاغذ برای پر کردن این شکاف است.ما ابتدا با همان شرایط اثبات می کنیم مانند I.I.D.داده ها ، همگرایی ضعیف فرآیندهای تجربی تحت چند راه خوشه بندیاین نتیجه حاکی از قضایای محدودیت مرکزی برای میانگین نمونه است اما همچنین برای نشان دادن نرمال بودن بدون علامت برآوردگرهای غیرخطی از این دست مهم است به عنوان برآوردگرهای GMM.ما سپس ثبات واریانس مختلف بدون علامت را ایجاد می کنیم برآوردگرها ، از جمله کامرون و همکاران.(2011) اما همچنین یک برآوردگر جدید این با ساخت و ساز مثبت است.بعد ، ما قوام عمومی را نشان می دهیم. برآوردگرهای خطی و غیرخطی ، از بوت استرپ کبوتر ، یک نمونه برداری مجدد طرح سازگار با خوشه بندی چند جانبه.شبیه سازی مونت کارلو حاکی از آن است استنباط بر اساس دو روش مورد نظر ما حتی با تعداد بسیار کمی ممکن است دقیق باشد خوشه ها ، و به طور قابل توجهی بر استنباط بر اساس کامرون و همکاران بهبود می یابند. (2011).

In dynamical framework the conflict between government and the central bank according to the exchange Rate of payment of fixed rates and fixed rates of fixed income (EMU) convergence criteria such that the public debt / GDP ratio The method consists of calculating private public debt management in a public debt management system purpose there is no mechanism to allow naturally for this adjustment.

در چارچوب دینامیکی درگیری بین دولت و بانک مرکزی با توجه به نرخ ارز پرداخت نرخ ثابت و نرخ ثابت معیارهای همگرایی درآمد ثابت (EMU) به گونه ای که نسبت بدهی عمومی / تولید ناخالص داخلی این روش شامل محاسبه مدیریت بدهی عمومی خصوصی در عموم است هدف سیستم مدیریت بدهی هیچ مکانیسمی وجود ندارد که به طور طبیعی امکان پذیر باشد این تنظیم

Dynamic discrete choice models often discretize the state vector and restrict its dimension in order to achieve valid inference. I propose a novel two-stage estimator for the set-identified structural parameter that incorporates a high-dimensional state space into the dynamic model of imperfect competition. In the first stage, I estimate the state variable's law of motion and the equilibrium policy function using machine learning tools. In the second stage, I plug the first-stage estimates into a moment inequality and solve for the structural parameter. The moment function is presented as the sum of two components, where the first one expresses the equilibrium assumption and the second one is a bias correction term that makes the sum insensitive (i.e., orthogonal) to first-stage bias. The proposed estimator uniformly converges at the root-N rate and I use it to construct confidence regions. The results developed here can be used to incorporate high-dimensional state space into classic dynamic discrete choice models, for example, those considered in Rust (1987), Bajari et al. (2007), and Scott (2013).

مدلهای انتخاب گسسته پویا اغلب بردار دولت را گسسته می کنند و محدود می کنند بعد آن به منظور دستیابی به استنتاج معتبر.من یک دو مرحله رمان را پیشنهاد می کنم برآوردگر برای پارامتر ساختاری شناسایی شده که شامل a است فضای حالت با ابعاد بالا به مدل پویا رقابت ناقص. در مرحله اول ، قانون حرکت متغیر دولت و عملکرد خط مشی تعادل با استفاده از ابزارهای یادگیری ماشین.در مرحله دوم ، من تخمین های مرحله اول را به یک لحظه نابرابری وصل می کنم و برای پارامتر ساختاری.عملکرد لحظه به عنوان جمع دو ارائه می شود مؤلفه ها ، جایی که اولین مورد فرض تعادل و دوم یک اصطلاح تصحیح تعصب است که باعث می شود مبلغ غیر حساس باشد (یعنی ، متعامد) به تعصب مرحله اول.برآوردگر پیشنهادی به طور یکنواخت در همگرا می شود نرخ root-n و من از آن برای ایجاد مناطق اعتماد به نفس استفاده می کنم.نتایج توسعه یافته در اینجا می تواند برای ترکیب فضای حالت با ابعاد بالا در آن استفاده شود به عنوان مثال ، مدل های انتخابی گسسته پویا کلاسیک ، به عنوان مثال ، در مورد زنگ زدگی در نظر گرفته می شوند (1987) ، باجاری و همکاران.(2007) ، و اسکات (2013).

This paper presents a weighted optimization framework that unifies the binary,multi-valued, continuous, as well as mixture of discrete and continuous treatment, under the unconfounded treatment assignment. With a general loss function, the framework includes the average, quantile and asymmetric least squares causal effect of treatment as special cases. For this general framework, we first derive the semiparametric efficiency bound for the causal effect of treatment, extending the existing bound results to a wider class of models. We then propose a generalized optimization estimation for the causal effect with weights estimated by solving an expanding set of equations. Under some sufficient conditions, we establish consistency and asymptotic normality of the proposed estimator of the causal effect and show that the estimator attains our semiparametric efficiency bound, thereby extending the existing literature on efficient estimation of causal effect to a wider class of applications. Finally, we discuss etimation of some causal effect functionals such as the treatment effect curve and the average outcome. To evaluate the finite sample performance of the proposed procedure, we conduct a small scale simulation study and find that the proposed estimation has practical value. To illustrate the applicability of the procedure, we revisit the literature on campaign advertise and campaign contributions. Unlike the existing procedures which produce mixed results, we find no evidence of campaign advertise on campaign contribution.

این مقاله یک چارچوب بهینه سازی وزنی را ارائه می دهد که این امر را متحد می کند باینری ، چند ارزشی ، مداوم و همچنین مخلوط گسسته و مداوم درمان ، تحت تکلیف درمانی غیرمجاز.با ضرر عمومی عملکرد ، چارچوب شامل میانگین ، کمی و نامتقارن است تأثیر علّی مربع از درمان به عنوان موارد خاص.برای این ژنرال چارچوب ، ما ابتدا بهره وری نیمهرامتری را برای علت به دست می آوریم تأثیر درمان ، گسترش نتایج محدود موجود به یک کلاس گسترده تر مدل ها.ما سپس یک تخمین بهینه سازی عمومی را برای علت پیشنهاد می کنیم اثر با وزنهای برآورد شده با حل مجموعه ای از معادلات.زیر برخی از شرایط کافی ، ما قوام و نرمال بودن بدون علامت را ایجاد می کنیم از برآوردگر پیشنهادی اثر علی و نشان می دهد که برآوردگر بهره وری نیمهرامتری ما را به دست می آورد ، در نتیجه موجود را گسترش می دهد ادبیات در مورد برآورد کارآمد اثر علی به یک طبقه گسترده تر از برنامه های کاربردی.سرانجام ، ما در مورد علت برخی از عملکردهای اثر علی مانند منحنی اثر درمانی و نتیجه متوسط.برای ارزیابی عملکرد نمونه محدود روش پیشنهادی ، ما مقیاس کمی را انجام می دهیم مطالعه شبیه سازی و دریافت که برآورد پیشنهادی دارای ارزش عملی است.به کاربرد این روش را نشان می دهد ، ما ادبیات را دوباره مرور می کنیم تبلیغات تبلیغاتی و کمک های تبلیغاتی.برخلاف رویه های موجود که نتایج متفاوتی به دست می آورند ، ما هیچ مدرکی از تبلیغات تبلیغاتی در مورد آن نمی یابیم سهم کمپین

Recent years have seen many attempts to combine expenditure-side estimates of U.S. real output (GDE) growth with income-side estimates (GDI) to improve estimates of real GDP growth. We show how to incorporate information from multiple releases of noisy data to provide more precise estimates while avoiding some of the identifying assumptions required in earlier work. This relies on a new insight: using multiple data releases allows us to distinguish news and noise measurement errors in situations where a single vintage does not. Our new measure, GDP++, fits the data better than GDP+, the GDP growth measure of Aruoba et al. (2016) published by the Federal Reserve Bank of Philadephia. Historical decompositions show that GDE releases are more informative than GDI, while the use of multiple data releases is particularly important in the quarters leading up to the Great Recession.

سالهای اخیر تلاش های بسیاری برای ترکیب تخمین های سمت هزینه از رشد خروجی واقعی ایالات متحده (GDE) با برآوردهای سمت درآمد (GDI) برای بهبود تخمین رشد تولید ناخالص داخلی واقعی.ما نشان می دهیم که چگونه اطلاعات را از چندین نسخه از داده های پر سر و صدا برای ارائه تخمین های دقیق تر در حالی که اجتناب از برخی از فرضیات شناسایی مورد نیاز در کارهای قبلی.این به یک بینش جدید متکی است: استفاده از چندین نسخه داده به ما امکان تشخیص می دهد خطاهای اندازه گیری اخبار و سر و صدا در شرایطی که یک پرنعمت انجام می دهد نه اندازه گیری جدید ما ، تولید ناخالص داخلی ++ ، متناسب با داده های بهتر از تولید ناخالص داخلی ، رشد تولید ناخالص داخلی اندازه گیری آرووبا و همکاران.(2016) منتشر شده توسط بانک مرکزی فدرال رزرو فیلادفیاتجزیه تاریخی نشان می دهد که نسخه های GDE بیشتر هستند آموزنده از GDI ، در حالی که استفاده از چندین نسخه داده به ویژه است مهم در محله های منتهی به رکود اقتصادی بزرگ است.

While investments in renewable energy sources (RES) are incentivized around the world, the policy tools that do so are still poorly understood, leading to costly misadjustments in many cases. As a case study, the deployment dynamics of residential solar photovoltaics (PV) invoked by the German feed-in tariff legislation are investigated. Here we report a model showing that the question of when people invest in residential PV systems is found to be not only determined by profitability, but also by profitability's change compared to the status quo. This finding is interpreted in the light of loss aversion, a concept developed in Kahneman and Tversky's Prospect Theory. The model is able to reproduce most of the dynamics of the uptake with only a few financial and behavioral assumptions

در حالی که سرمایه گذاری در منابع انرژی تجدید پذیر (RES) در اطراف ایجاد می شود جهان ، ابزارهای سیاستی که این کار را انجام می دهند هنوز هم ضعیف درک شده اند و منجر به آن می شوند در بسیاری از موارد نادرست هزینه های گران قیمت.به عنوان یک مطالعه موردی ، دینامیک استقرار فتوولتائیک های خورشیدی مسکونی (PV) که توسط تعرفه خوراک آلمانی فراخوانی شده است قانون بررسی شده است.در اینجا ما مدلی را گزارش می کنیم که این سوال را نشان می دهد هنگامی که مردم در سیستم های PV مسکونی سرمایه گذاری می کنند نه تنها مشخص می شود تعیین شده توسط سودآوری ، بلکه با تغییر سودآوری در مقایسه با وضع موجود.این یافته با توجه به گریزی از دست دادن ، a تفسیر می شود. مفهوم توسعه یافته در نظریه چشم انداز Kahneman و Tversky.مدل قادر است برای بازتولید بیشتر پویایی های جذب تنها با چند مالی و فرضیات رفتاری

Kitamura and Stoye (2014) develop a nonparametric test for linear inequality constraints, when these are are represented as vertices of a polyhedron instead of its faces. They implement this test for an application to nonparametric tests of Random Utility Models. As they note in their paper, testing such models is computationally challenging. In this paper, we develop and implement more efficient algorithms, based on column generation, to carry out the test. These improved algorithms allow us to tackle larger datasets.

کیتامورا و استوی (2014) برای نابرابری خطی یک آزمایش غیرپارامتری ایجاد می کنند محدودیت ها ، هنگامی که این موارد به جای آن به عنوان رئوس یک پلی هیدرون نشان داده می شوند از چهره های آنآنها این آزمون را برای یک برنامه غیرپارامتری پیاده سازی می کنند تست مدل های ابزار تصادفی.همانطور که در مقاله خود یادداشت می کنند ، چنین چیزی را آزمایش می کنند مدل ها از نظر محاسباتی چالش برانگیز هستند.در این مقاله ، ما توسعه و اجرا می کنیم الگوریتم های کارآمدتر ، بر اساس تولید ستون ، برای انجام آزمایش. این الگوریتم های بهبود یافته به ما امکان می دهند تا با مجموعه داده های بزرگتر مقابله کنیم.

The purpose of this paper is to provide guidelines for empirical researchers who use a class of bivariate threshold crossing models with dummy endogenous variables. A common practice employed by the researchers is the specification of the joint distribution of the unobservables as a bivariate normal distribution, which results in a bivariate probit model. To address the problem of misspecification in this practice, we propose an easy-to-implement semiparametric estimation framework with parametric copula and nonparametric marginal distributions. We establish asymptotic theory, including root-n normality, for the sieve maximum likelihood estimators that can be used to conduct inference on the individual structural parameters and the average treatment effect (ATE). In order to show the practical relevance of the proposed framework, we conduct a sensitivity analysis via extensive Monte Carlo simulation exercises. The results suggest that the estimates of the parameters, especially the ATE, are sensitive to parametric specification, while semiparametric estimation exhibits robustness to underlying data generating processes. We then provide an empirical illustration where we estimate the effect of health insurance on doctor visits. In this paper, we also show that the absence of excluded instruments may result in identification failure, in contrast to what some practitioners believe.

هدف از این مقاله ارائه دستورالعمل برای محققان تجربی است که از یک کلاس از مدل های عبور آستانه دو متغیره با درون زا آدمک استفاده می کنند متغیرهایک روش معمول که توسط محققان به کار رفته است مشخصات است توزیع مشترک موارد غیر قابل استفاده به عنوان یک دو متغیره طبیعی توزیع ، که منجر به یک مدل پروبیت دو متغیره می شود.برای پرداختن به مشکل از شناسایی غلط در این عمل ، ما یک اجرای آسان را پیشنهاد می کنیم چارچوب تخمین نیمه قطبی با کوپول پارامتری و غیرپارامتری توزیع حاشیه ای.ما تئوری بدون علامت ایجاد می کنیم ، از جمله root-n نرمال بودن ، برای برآوردگرهای حداکثر احتمال غربال که می توان از آنها استفاده کرد انجام استنتاج در پارامترهای ساختاری فردی و میانگین اثر درمانی (ATE).به منظور نشان دادن ارتباط عملی چارچوب پیشنهادی ، ما یک تجزیه و تحلیل حساسیت را از طریق مونت کارلو گسترده انجام می دهیم تمرینات شبیه سازی.نتایج نشان می دهد که برآورد پارامترها ، به خصوص ATE ، در حالی که به مشخصات پارامتری حساس هستند برآورد نیمهرامتری استحکام نسبت به تولید داده های اساسی را نشان می دهد فرآیندهاسپس ما یک تصویر تجربی ارائه می دهیم که در آن تخمین می زنیم تأثیر بیمه درمانی بر مراجعه به پزشک.در این مقاله ، ما نیز آن را نشان می دهیم عدم وجود ابزارهای محروم ممکن است منجر به عدم موفقیت در شناسایی شود ، در در تضاد با آنچه برخی از پزشکان معتقدند.

Under suitable conditions, one-step generalized method of moments (GMM) based on the first-difference (FD) transformation is numerically equal to one-step GMM based on the forward orthogonal deviations (FOD) transformation. However, when the number of time periods ($T$) is not small, the FOD transformation requires less computational work. This paper shows that the computational complexity of the FD and FOD transformations increases with the number of individuals ($N$) linearly, but the computational complexity of the FOD transformation increases with $T$ at the rate $T^{4}$ increases, while the computational complexity of the FD transformation increases at the rate $T^{6}$ increases. Simulations illustrate that calculations exploiting the FOD transformation are performed orders of magnitude faster than those using the FD transformation. The results in the paper indicate that, when one-step GMM based on the FD and FOD transformations are the same, Monte Carlo experiments can be conducted much faster if the FOD version of the estimator is used.

در شرایط مناسب ، روش کلی یک مرحله ای از لحظات (GMM) مبتنی بر در مرحله اول تفاوت (FD) از نظر عددی برابر با یک مرحله است GMM مبتنی بر تحول انحرافات متعامد رو به جلو (FOD).با این حال، هنگامی که تعداد دوره های زمانی ($ t $) اندک نیست ، تحول FOD نیاز به کار محاسباتی کمتری دارد.این مقاله نشان می دهد که محاسباتی پیچیدگی تحولات FD و FOD با تعداد تعداد افزایش می یابد افراد ($ n $) بصورت خطی ، اما پیچیدگی محاسباتی FOD تحول با $ t $ با نرخ $ t^{4} $ افزایش می یابد ، در حالی که پیچیدگی محاسباتی تبدیل FD با نرخ $ t^{6} $ افزایش می یابد افزایش.شبیه سازی ها نشان می دهد که محاسبات بهره برداری از FOD دگرگونی سفارشات بزرگی را سریعتر از آنهایی که از FD استفاده می کنند انجام می شود دگرگونی.نتایج در مقاله نشان می دهد که ، هنگامی که GMM یک مرحله ای است در FD و FOD تحولات یکسان است ، آزمایش های مونت کارلو می تواند باشد در صورت استفاده از نسخه FOD از برآوردگر بسیار سریعتر انجام می شود.

There is generally a need to deal with quality change and new goods in the consumer price index due to the underlying dynamic item universe. Traditionally axiomatic tests are defined for a fixed universe. We propose five tests explicitly formulated for a dynamic item universe, and motivate them both from the perspectives of a cost-of-goods index and a cost-of-living index. None of the indices satisfies all the tests at the same time, which are currently available for making use of scanner data that comprises the whole item universe. The set of tests provides a rigorous diagnostic for whether an index is completely appropriate in a dynamic item universe, as well as pointing towards the directions of possible remedies. We thus outline a large index family that potentially can satisfy all the tests.

به طور کلی نیاز به مقابله با تغییر کیفیت و کالاهای جدید در آن وجود دارد شاخص قیمت مصرف کننده به دلیل دنیای مورد پویا اساسی جهان.به طور سنتی آزمایشات بدیهی برای یک جهان ثابت تعریف شده است.ما پنج آزمایش پیشنهاد می کنیم صریحاً برای یک جهان مورد پویا تدوین شده و هر دو را از آنها انگیزه می دهد دیدگاه های شاخص هزینه های کالا و یک شاخص هزینه زندگی.هیچکدام از شاخص ها تمام تست ها را همزمان ، که در حال حاضر هستند ، برآورده می کند برای استفاده از داده های اسکنر که شامل کل مورد است در دسترس است کائنات.مجموعه آزمایشات تشخیصی دقیق برای اینکه آیا یک شاخص است در یک جهان مورد پویا کاملاً مناسب است ، و همچنین اشاره دارد به سمت جهت های درمانی احتمالی.بنابراین ما یک شاخص بزرگ را ترسیم می کنیم خانواده ای که به طور بالقوه می توانند تمام آزمایشات را برآورده کنند.

A fixed-design residual bootstrap method is proposed for the two-step estimator of Francq and Zako\"ian (2015) associated with the conditional Value-at-Risk. The bootstrap's consistency is proven for a general class of volatility models and intervals are constructed for the conditional Value-at-Risk. A simulation study reveals that the equal-tailed percentile bootstrap interval tends to fall short of its nominal value. In contrast, the reversed-tails bootstrap interval yields accurate coverage. We also compare the theoretically analyzed fixed-design bootstrap with the recursive-design bootstrap. It turns out that the fixed-design bootstrap performs equally well in terms of average coverage, yet leads on average to shorter intervals in smaller samples. An empirical application illustrates the interval estimation.

یک روش بوت استرپ باقیمانده با طراحی ثابت برای دو مرحله ارائه شده است برآوردگر Francq و Zako \ "Ian (2015) مرتبط با مشروط ارزش در معرض خطر.قوام بوت استرپ برای یک کلاس عمومی از مدل ها و فواصل نوسانات برای شرطی ساخته می شوند ارزش در معرض خطر.یک مطالعه شبیه سازی نشان می دهد که صدک با دم مساوی فاصله بوت استرپ تمایل به کاهش ارزش اسمی آن دارد.در مقابل ، بازده بازده بوت استرپ معکوس ، پوشش دقیقی را بازده می کند.ما همچنین مقایسه می کنیم از لحاظ تئوریکی بوت استرپ طراحی ثابت با طراحی بازگشتی بوت استرپمعلوم است که بوت استرپ طراحی ثابت به همان اندازه عملکرد خوبی دارد از نظر میانگین پوشش ، اما به طور متوسط به فواصل کوتاه تر در نمونه های کوچکتریک برنامه تجربی تخمین فاصله را نشان می دهد.

Kotlarski's identity has been widely used in applied economic research. However, how to conduct inference based on this popular identification approach has been an open question for two decades. This paper addresses this open problem by constructing a novel confidence band for the density function of a latent variable in repeated measurement error model. The confidence band builds on our finding that we can rewrite Kotlarski's identity as a system of linear moment restrictions. The confidence band controls the asymptotic size uniformly over a class of data generating processes, and it is consistent against all fixed alternatives. Simulation studies support our theoretical results.

هویت Kotlarski به طور گسترده در تحقیقات اقتصادی کاربردی مورد استفاده قرار گرفته است. با این حال ، نحوه انجام استنباط بر اساس این رویکرد شناسایی محبوب دو دهه است که یک سوال باز بوده است.در این مقاله به این باز شده است مشکل با ساخت یک باند اعتماد به نفس جدید برای عملکرد چگالی a متغیر نهفته در مدل خطای اندازه گیری مکرر.گروه اعتماد به نفس می سازد در مورد یافته های ما که می توانیم هویت Kotlarski را به عنوان یک سیستم خطی بازنویسی کنیم محدودیت های لحظه ای.باند اعتماد به نفس اندازه بدون علامت را به طور یکنواخت کنترل می کند بیش از یک کلاس از فرآیندهای تولید داده ها ، و در برابر همه سازگار است گزینه های ثابتمطالعات شبیه سازی از نتایج نظری ما پشتیبانی می کند.

This study considers various semiparametric difference-in-differences models under different assumptions on the relation between the treatment group identifier, time and covariates for cross-sectional and panel data. The variance lower bound is shown to be sensitive to the model assumptions imposed implying a robustness-efficiency trade-off. The obtained efficient influence functions lead to estimators that are rate double robust and have desirable asymptotic properties under weak first stage convergence conditions. This enables to use sophisticated machine-learning algorithms that can cope with settings where common trend confounding is high-dimensional. The usefulness of the proposed estimators is assessed in an empirical example. It is shown that the efficiency-robustness trade-offs and the choice of first stage predictors can lead to divergent empirical results in practice.

این مطالعه مدلهای مختلف اختلاف در اختلافات را در نظر می گیرد تحت فرضیات مختلف در مورد رابطه گروه درمانی شناسه ، زمان و متغیرهای متغیر برای داده های مقطعی و پانل.در نشان داده شده است که واریانس پایین به فرضیات مدل تحمیل شده حساس است دلالت بر یک تجارت استحکام و استحکام.تأثیر کارآمد به دست آمده توابع منجر به برآوردگرهایی می شوند که دو برابر قوی هستند و مطلوب هستند خواص بدون علامت در شرایط همگرایی مرحله اول ضعیف.این امکان استفاده از الگوریتم های پیچیده یادگیری ماشین را فراهم می کند که می توانند با آن کنار بیایند تنظیماتی که در آن مخدوش کننده روند مشترک با ابعاد بالا است.سودمندی برآوردگرهای پیشنهادی در یک مثال تجربی ارزیابی می شوند.نشان داده شده است که تجارت بازدهی و بازده و انتخاب پیش بینی کننده های مرحله اول می تواند منجر به نتایج تجربی واگرا در عمل شود.

We study estimation, pointwise and simultaneous inference, and confidence intervals for many average partial effects of lasso Logit. Focusing on high-dimensional, cluster-sampling environments, we propose a new average partial effect estimator and explore its asymptotic properties. Practical penalty choices compatible with our asymptotic theory are also provided. The proposed estimator allow for valid inference without requiring oracle property. We provide easy-to-implement algorithms for cluster-robust high-dimensional hypothesis testing and construction of simultaneously valid confidence intervals using a multiplier cluster bootstrap. We apply the proposed algorithms to the text regression model of Wu (2018) to examine the presence of gendered language on the internet.

ما برآورد ، استنباط نقطه ای و همزمان و اعتماد به نفس را مطالعه می کنیم فواصل برای بسیاری از اثرات جزئی متوسط ورود به لاسو.تمرکز روی محیط های با نمونه بالا و نمونه برداری خوشه ای ، ما میانگین جدیدی را پیشنهاد می کنیم برآوردگر اثر جزئی و کشف خصوصیات بدون علامت آن.کاربردی گزینه های مجازات سازگار با نظریه بدون علامت ما نیز ارائه شده است.در برآوردگر پیشنهادی بدون نیاز به خاصیت Oracle ، استنباط معتبر را فراهم می کند. ما الگوریتم های آسان برای اجرای را برای خوشه ای رو بها-روتین با ابعاد بالا ارائه می دهیم آزمایش فرضیه و ساخت اعتماد به نفس همزمان معتبر فواصل با استفاده از بوت استرپ خوشه ای ضرب.ما پیشنهادی را اعمال می کنیم الگوریتم های مدل رگرسیون متن Wu (2018) برای بررسی حضور زبان جنسیتی در اینترنت.

The bootstrap is a method for estimating the distribution of an estimator or test statistic by re-sampling the data or a model estimated from the data. Under conditions that hold in a wide variety of econometric applications, the bootstrap provides approximations to distributions of statistics, coverage probabilities of confidence intervals, and rejection probabilities of hypothesis tests that are more accurate than the approximations of first-order asymptotic distribution theory. The reductions in the differences between true and nominal coverage or rejection probabilities can be very large. In addition, the bootstrap provides a way to carry out inference in certain settings where obtaining analytic distributional approximations is difficult or impossible. This article explains the usefulness and limitations of the bootstrap in contexts of interest in econometrics. The presentation is informal and expository. It provides an intuitive understanding of how the bootstrap works. Mathematical details are available in references that are cited.

بوت استرپ روشی برای تخمین توزیع یک برآوردگر یا آمار را با نمونه گیری مجدد داده ها یا مدلی که از داده ها تخمین زده می شود ، آزمایش کنید. در شرایطی که طیف گسترده ای از برنامه های اقتصاد سنجی را در خود جای می دهد ، Bootstrap تقریب در توزیع آمار ، پوشش را فراهم می کند احتمالات فواصل اطمینان ، و احتمال رد آزمون های فرضیه که دقیق تر از تقریب مرتبه اول هستند نظریه توزیع بدون علامت.کاهش در تفاوت بین درست و پوشش اسمی یا احتمالات رد می تواند بسیار بزرگ باشد.علاوه بر این، بوت استرپ راهی برای استنباط در تنظیمات خاص در جایی فراهم می کند بدست آوردن تقریب توزیع تحلیلی دشوار یا غیرممکن است. در این مقاله ، سودمندی و محدودیت های بوت استرپ در توضیح می دهد زمینه های علاقه به اقتصاد سنجی.ارائه غیررسمی است و نمایشگاهاین درک بصری از نحوه عملکرد بوت استرپ ارائه می دهد. جزئیات ریاضی در منابع ذکر شده در دسترس است.

A method for implicit variable selection in mixture of experts frameworks is proposed. We introduce a prior structure where information is taken from a set of independent covariates. Robust class membership predictors are identified using a normal gamma prior. The resulting model setup is used in a finite mixture of Bernoulli distributions to find homogenous clusters of women in Mozambique based on their information sources on HIV. Fully Bayesian inference is carried out via the implementation of a Gibbs sampler.

روشی برای انتخاب متغیر ضمنی در مخلوط چارچوب های کارشناسان است پیشنهاد شده.ما یک ساختار قبلی را معرفی می کنیم که در آن اطلاعات از یک مجموعه گرفته می شود متغیرهای متغیر مستقل.پیش بینی کننده های عضویت در کلاس قوی شناسایی می شوند با استفاده از یک گاما معمولی قبلی.تنظیم مدل حاصل در یک محدود استفاده می شود مخلوط توزیع برنولی برای یافتن خوشه های همگن زنان در موزامبیک بر اساس منابع اطلاعاتی آنها در HIV.استنباط کاملاً بیزی از طریق اجرای نمونه گیبس انجام می شود.

Time averaging has been the traditional approach to handle mixed sampling frequencies. However, it ignores information possibly embedded in high frequency. Mixed data sampling (MIDAS) regression models provide a concise way to utilize the additional information in high-frequency variables. In this paper, we propose a specification test to choose between time averaging and MIDAS models, based on a Durbin-Wu-Hausman test. In particular, a set of instrumental variables is proposed and theoretically validated when the frequency ratio is large. As a result, our method tends to be more powerful than existing methods, as reconfirmed through the simulations.

میانگین زمان رویکرد سنتی برای رسیدگی به نمونه گیری مخلوط بوده است فرکانس هابا این حال ، اطلاعاتی را که احتمالاً در بالا تعبیه شده است نادیده می گیرد فرکانس.مدل های رگرسیون نمونه گیری داده های مختلط (MIDAS) روشی مختصر ارائه می دهند برای استفاده از اطلاعات اضافی در متغیرهای با فرکانس بالا.در این مقاله ، ما یک تست مشخصات را برای انتخاب بین میانگین زمان و مدل های MIDAS ، بر اساس یک تست دوربین وو-هاوسمان.به طور خاص ، مجموعه ای از متغیرهای ابزاری هنگام ارائه پیشنهاد می شوند و از نظر تئوری تأیید می شوند نسبت فرکانس بزرگ است.در نتیجه ، روش ما تمایل به قدرتمندتر دارد از روشهای موجود ، همانطور که از طریق شبیه سازی ها تأیید می شود.

This article deals with asimple issue: if we have grouped data with a binary dependent variable and want to include fixed effects (group specific intercepts) in the specification, is Ordinary Least Squares (OLS) in any way superior to a (conditional) logit form? In particular, what are the consequences of using OLS instead of a fixed effects logit model with respect to the latter dropping all units which show no variability in the dependent variable while the former allows for estimation using all units. First, we show that the discussion of fthe incidental parameters problem is based on an assumption about the kinds of data being studied; for what appears to be the common use of fixed effect models in political science the incidental parameters issue is illusory. Turning to linear models, we see that OLS yields a linear combination of the estimates for the units with and without variation in the dependent variable, and so the coefficient estimates must be carefully interpreted. The article then compares two methods of estimating logit models with fixed effects, and shows that the Chamberlain conditional logit is as good as or better than a logit analysis which simply includes group specific intercepts (even though the conditional logit technique was designed to deal with the incidental parameters problem!). Related to this, the article discusses the estimation of marginal effects using both OLS and logit. While it appears that a form of logit with fixed effects can be used to estimate marginal effects, this method can be improved by starting with conditional logit and then using the those parameter estimates to constrain the logit with fixed effects model. This method produces estimates of sample average marginal effects that are at least as good as OLS, and much better when group size is small or the number of groups is large. .

این مقاله به مسئله Asimple می پردازد: اگر داده ها را با یک باینری گروه بندی کرده ایم متغیر وابسته و می خواهید جلوه های ثابت را شامل شود (گروه خاص رهگیری) در مشخصات ، حداقل مربعات معمولی (OLS) به هر طریقی است برتر از فرم ورود (مشروط)؟به طور خاص ، چیست عواقب استفاده از OLS به جای یک مدل ورود به جلوه های ثابت با احترام به دومی که تمام واحدهایی را که هیچ تنوع در وابسته نشان نمی دهند ، رها می کند متغیر در حالی که اولی با استفاده از همه واحدها تخمین را امکان پذیر می کند.اول ، ما نشان می دهیم اینکه بحث در مورد مشکل پارامترهای حادثه ای بر اساس یک فرض در مورد انواع داده های مورد مطالعه ؛برای آنچه به نظر می رسد استفاده مشترک از مدل های اثر ثابت در علوم سیاسی اتفاقی است مسئله پارامترها توهم آور است.روی آوردن به مدلهای خطی ، می بینیم که OLS بازده است ترکیبی خطی از تخمین ها برای واحدها با و بدون تغییر در متغیر وابسته ، و بنابراین تخمین های ضریب باید با دقت انجام شود تفسیر شدهمقاله سپس دو روش تخمین مدل های ورود به سیستم را مقایسه می کند با اثرات ثابت ، و نشان می دهد که ورود مشروط چمبرلین به همان اندازه خوب است به عنوان یا بهتر از تجزیه و تحلیل ورود به سیستم که به سادگی شامل گروه خاص است رهگیری ها (حتی اگر تکنیک ورود شرطی برای معامله طراحی شده است با مشکل پارامترهای حادثه ای!).مربوط به این ، مقاله در مورد تخمین اثرات حاشیه ای با استفاده از OLS و Logit بحث می کند.در حالی که به نظر می رسد که می توان از نوعی ورود با جلوه های ثابت برای برآورد استفاده کرد اثرات حاشیه ای ، این روش را می توان با شروع با مشروط بهبود بخشید ورود به سیستم و سپس با استفاده از تخمین های پارامتر برای محدود کردن ورود به سیستم مدل جلوه های ثابت.این روش تخمین هایی از نمونه متوسط حاشیه را تولید می کند جلوه هایی که حداقل به اندازه OLS خوب هستند و در اندازه گروه بسیار بهتر است کوچک یا تعداد گروه ها بزرگ است.بشر

We provide new results for nonparametric identification, estimation, and inference of causal effects using `proxy controls': observables that are noisy but informative proxies for unobserved confounding factors. Our analysis applies to cross-sectional settings but is particularly well-suited to panel models. Our identification results motivate a simple and `well-posed' nonparametric estimator. We derive convergence rates for the estimator and construct uniform confidence bands with asymptotically correct size. In panel settings, our methods provide a novel approach to the difficult problem of identification with non-separable, general heterogeneity and fixed $T$. In panels, observations from different periods serve as proxies for unobserved heterogeneity and our key identifying assumptions follow from restrictions on the serial dependence structure. We apply our methods to two empirical settings. We estimate consumer demand counterfactuals using panel data and we estimate causal effects of grade retention on cognitive performance.

ما نتایج جدیدی را برای شناسایی غیرپارامتری ، برآورد و استنباط اثرات علی با استفاده از "کنترل های پروکسی": مشاهده ای که پر سر و صدا هستند اما پروکسی های آموزنده برای عوامل مخدوش غیرقابل کنترل.تحلیل ما در مورد تنظیمات مقطعی اعمال می شود اما به خصوص در پانل مناسب است مدل ها.نتایج شناسایی ما یک انگیزه ساده و "به خوبی" را ایجاد می کند برآوردگر غیرپارامتری.ما نرخ همگرایی را برای برآوردگر استخراج می کنیم و باندهای اعتماد به نفس یکنواخت را با اندازه بدون علامت درست بسازید.در تابلو تنظیمات ، روشهای ما یک رویکرد جدید برای مشکل دشوار ارائه می دهد شناسایی با ناهمگونی غیر قابل تفکیک ، عمومی و $ t $ ثابت.که در پانل ها ، مشاهدات مربوط به دوره های مختلف به عنوان پروکسی برای غیرمجاز عمل می کند ناهمگونی و کلید شناسایی کلید ما از محدودیت های موجود در آن پیروی می کند ساختار وابستگی سریال.ما روشهای خود را برای دو تجربی اعمال می کنیم تنظیمات.ما با استفاده از داده های پانل و ما ، تقاضای تقاضای مصرف کننده را تخمین می زنیم اثرات علّی احتباس درجه بر عملکرد شناختی را تخمین بزنید.

We consider the problem of regression with selectively observed covariates in a nonparametric framework. Our approach relies on instrumental variables that explain variation in the latent covariates but have no direct effect on selection. The regression function of interest is shown to be a weighted version of observed conditional expectation where the weighting function is a fraction of selection probabilities. Nonparametric identification of the fractional probability weight (FPW) function is achieved via a partial completeness assumption. We provide primitive functional form assumptions for partial completeness to hold. The identification result is constructive for the FPW series estimator. We derive the rate of convergence and also the pointwise asymptotic distribution. In both cases, the asymptotic performance of the FPW series estimator does not suffer from the inverse problem which derives from the nonparametric instrumental variable approach. In a Monte Carlo study, we analyze the finite sample properties of our estimator and we compare our approach to inverse probability weighting, which can be used alternatively for unconditional moment estimation. In the empirical application, we focus on two different applications. We estimate the association between income and health using linked data from the SHARE survey and administrative pension information and use pension entitlements as an instrument. In the second application we revisit the question how income affects the demand for housing based on data from the German Socio-Economic Panel Study (SOEP). In this application we use regional income information on the residential block level as an instrument. In both applications we show that income is selectively missing and we demonstrate that standard methods that do not account for the nonrandom selection process lead to significantly biased estimates for individuals with low income.

ما مشکل رگرسیون را با همبستگی های انتخاب شده در نظر می گیریم یک چارچوب غیر پارامتری.رویکرد ما به متغیرهای ابزاری متکی است که تنوع در متغیرهای نهفته را توضیح دهید اما تأثیر مستقیمی بر روی آن ندارد انتخاب.عملکرد رگرسیون علاقه نشان داده شده است نسخه انتظار مشروط مشاهده شده در جایی که عملکرد وزنه برداری a است کسری از احتمالات انتخاب.شناسایی غیرپارامتری عملکرد وزن احتمال کسری (FPW) از طریق جزئی حاصل می شود فرض کامل بودنما فرضیات فرم عملکردی بدوی را برای ارائه می دهیم کامل بودن جزئی برای نگه داشتن.نتیجه شناسایی برای برآوردگر سری FPW.ما نرخ همگرایی و همچنین نکته را به دست می آوریم توزیع بدون علامت.در هر دو مورد ، عملکرد بدون علامت FPW برآوردگر سری از مشکل معکوس ناشی از آن رنج نمی برد رویکرد متغیر ابزاری غیر پارامتری.در یک مطالعه مونت کارلو ، ما خصوصیات نمونه محدود برآوردگر ما را تجزیه و تحلیل کنید و ما خود را با هم مقایسه می کنیم رویکرد به وزن احتمالی معکوس ، که می تواند از طرف دیگر استفاده شود تخمین لحظه بی قید و شرط.در برنامه تجربی ، ما روی دو مورد تمرکز می کنیم برنامه های مختلفما ارتباط بین درآمد و سلامت را تخمین می زنیم با استفاده از داده های مرتبط از بررسی اشتراک و اطلاعات بازنشستگی اداری و از حق بازنشستگی به عنوان یک ابزار استفاده کنید.در برنامه دوم ما این سؤال را بررسی کنید که چگونه درآمد بر تقاضای مسکن بر اساس داده ها تأثیر می گذارد از مطالعه پانل اقتصادی و اجتماعی آلمان (SOEP).در این برنامه ما استفاده می کنیم اطلاعات درآمد منطقه ای در سطح بلوک مسکونی به عنوان ابزاری.که در هر دو برنامه ما نشان می دهیم که درآمد به صورت انتخابی از دست رفته است و ما نشان می دهیم این روشهای استاندارد که فرآیند انتخاب غیر تصادفی را به خود اختصاص نمی دهند منجر به برآوردهای قابل توجهی مغرضانه برای افراد با درآمد کم می شود.

The intention of this paper is to discuss the mathematical model of causality introduced by C.W.J. Granger in 1969. The Granger's model of causality has become well-known and often used in various econometric models describing causal systems, e.g., between commodity prices and exchange rates. Our paper presents a new mathematical model of causality between two measured objects. We have slightly modified the well-known Kolmogorovian probability model. In particular, we use the horizontal sum of set $\sigma$-algebras instead of their direct product.

هدف از این مقاله بحث در مورد مدل ریاضی علیت است معرفی شده توسط C.W.J.گرنجر در سال 1969. الگوی علیت گرنجر دارد شناخته شده و اغلب در مدل های مختلف اقتصاد سنجی توصیف می شود سیستم های علی ، به عنوان مثال ، بین قیمت کالاها و نرخ ارز. مقاله ما یک مدل جدید ریاضی از علیت بین دو اندازه گیری شده ارائه می دهد اشیاء.ما احتمال مشهور Kolmogorovian را کمی اصلاح کرده ایم مدل.به طور خاص ، ما از مبلغ افقی مجموعه $ \ sigma $ -algebras استفاده می کنیم به جای محصول مستقیم آنها

Explanatory variables in a predictive regression typically exhibit low signal strength and various degrees of persistence. Variable selection in such a context is of great importance. In this paper, we explore the pitfalls and possibilities of the LASSO methods in this predictive regression framework. In the presence of stationary, local unit root, and cointegrated predictors, we show that the adaptive LASSO cannot asymptotically eliminate all cointegrating variables with zero regression coefficients. This new finding motivates a novel post-selection adaptive LASSO, which we call the twin adaptive LASSO (TAlasso), to restore variable selection consistency. Accommodating the system of heterogeneous regressors, TAlasso achieves the well-known oracle property. In contrast, conventional LASSO fails to attain coefficient estimation consistency and variable screening in all components simultaneously. We apply these LASSO methods to evaluate the short- and long-horizon predictability of S\&P 500 excess returns.

متغیرهای توضیحی در یک رگرسیون پیش بینی کننده به طور معمول سیگنال کم دارند قدرت و درجات مختلف پایداری.انتخاب متغیر در چنین زمینه از اهمیت بالایی برخوردار است.در این مقاله ، مشکلات را کشف می کنیم و امکانات روشهای لاسو در این چارچوب رگرسیون پیش بینی کننده.که در ما وجود دارد نشان می دهد که لاسو تطبیقی نمی تواند به صورت مجانبی همه ادغام را از بین ببرد متغیرها با ضرایب رگرسیون صفر.این یافته جدید باعث ایجاد یک رمان می شود پس از انتخاب لاسو ، که ما آن را Lasso Adaptive Twin (Talasso) می نامیم ، برای بازگرداندن قوام انتخاب متغیر.اسکان سیستم از رگرسرهای ناهمگن ، Talasso به خاصیت مشهور اوراکل دست می یابد.که در در تضاد ، لاسو معمولی نتواند قوام تخمین ضریب را بدست آورد و غربالگری متغیر در همه مؤلفه ها به طور همزمان.ما این لاسو را اعمال می کنیم روشهای ارزیابی پیش بینی افکار کوتاه و طولانی از S \ & P 500 بازده اضافی

This paper proposes a new approach to obtain uniformly valid inference for linear functionals or scalar subvectors of a partially identified parameter defined by linear moment inequalities. The procedure amounts to bootstrapping the value functions of randomly perturbed linear programming problems, and does not require the researcher to grid over the parameter space. The low-level conditions for uniform validity rely on genericity results for linear programs. The unconventional perturbation approach produces a confidence set with a coverage probability of 1 over the identified set, but obtains exact coverage on an outer set, is valid under weak assumptions, and is computationally simple to implement.

در این مقاله یک رویکرد جدید برای به دست آوردن استنتاج یکنواخت معتبر ارائه شده است عملکردهای خطی یا زیر مجموعه های مقیاس یک پارامتر جزئی مشخص شده تعریف شده توسط نابرابری های لحظه خطی.این روش به bootstrapping می رسد توابع مقدار مشکلات برنامه نویسی خطی به طور تصادفی آشفته ، و انجام می دهد نیازی به محقق نیست که از فضای پارامتر شبکه کند.سطح پایین شرایط برای اعتبار یکنواخت به نتایج عمومی برای برنامه های خطی متکی است. رویکرد آشفتگی غیر متعارف باعث ایجاد اعتماد به نفس با a می شود احتمال پوشش 1 در مجموعه مشخص شده ، اما پوشش دقیقی را بدست می آورد در یک مجموعه بیرونی ، تحت فرضیات ضعیف معتبر است و از نظر محاسباتی ساده است برای پیاده سازی.

In this paper we consider the properties of the Pesaran (2004, 2015a) CD test for cross-section correlation when applied to residuals obtained from panel data models with many estimated parameters. We show that the presence of period-specific parameters leads the CD test statistic to diverge as length of the time dimension of the sample grows. This result holds even if cross-section dependence is correctly accounted for and hence constitutes an example of the Incidental Parameters Problem. The relevance of this problem is investigated both for the classical Time Fixed Effects estimator as well as the Common Correlated Effects estimator of Pesaran (2006). We suggest a weighted CD test statistic which re-establishes standard normal inference under the null hypothesis. Given the widespread use of the CD test statistic to test for remaining cross-section correlation, our results have far reaching implications for empirical researchers.

در این مقاله خواص تست CD Pesaran (2004 ، 2015a) را در نظر می گیریم برای همبستگی مقطع هنگام استفاده از باقیمانده های به دست آمده از پانل مدل های داده با بسیاری از پارامترهای تخمین زده شده.ما نشان می دهیم که حضور پارامترهای اختصاصی دوره ، آمار آزمون CD را به عنوان طول از بعد زمان نمونه رشد می کند.این نتیجه حتی اگر مقطعی باشد وابستگی به درستی به حساب می آید و از این رو نمونه ای از مشکل پارامترهای حادثه ای.ارتباط این مشکل مورد بررسی قرار گرفته است هر دو برای برآوردگر اثرات ثابت زمان کلاسیک و هم مشترک برآوردگر اثرات همبسته Pesaran (2006).ما یک آزمایش CD وزنی را پیشنهاد می کنیم آماری که دوباره استنتاج عادی استاندارد را در زیر تهی برقرار می کند فرضیه.با توجه به استفاده گسترده از آمار آزمون CD برای آزمایش با همبستگی مقطع باقی مانده ، نتایج ما پیامدهای بسیار زیادی دارد برای محققان تجربی.

This paper studies nonparametric identification and counterfactual bounds for heterogeneous firms that can be ranked in terms of productivity. Our approach works when quantities and prices are latent, rendering standard approaches inapplicable. Instead, we require observation of profits or other optimizing-values such as costs or revenues, and either prices or price proxies of flexibly chosen variables. We extend classical duality results for price-taking firms to a setup with discrete heterogeneity, endogeneity, and limited variation in possibly latent prices. Finally, we show that convergence results for nonparametric estimators may be directly converted to convergence results for production sets.

این مقاله به بررسی شناسایی غیر پارامتری و مرزهای ضد خلاف آن می پردازیم بنگاههای ناهمگن که از نظر بهره وری می توانند رتبه بندی شوند.رویکرد ما هنگامی که مقادیر و قیمت ها نهفته هستند ، کار می کند و رویکردهای استاندارد را ارائه می دهد غیرقابل استفادهدر عوض ، ما نیاز به مشاهده سود یا موارد دیگر داریم بهینه سازی مقادیر مانند هزینه یا درآمدها ، یا قیمت یا پروکسی قیمت متغیرهای انعطاف پذیر انتخاب شده.ما نتایج دوگانگی کلاسیک را برای شرکت های قیمت گذاری به یک مجموعه با ناهمگونی گسسته ، درون زا و تنوع محدود در قیمت های احتمالاً نهفته.سرانجام ، ما آن همگرایی را نشان می دهیم نتایج برای برآوردگرهای غیرپارامتری ممکن است مستقیماً به همگرایی تبدیل شود نتایج برای مجموعه های تولید.

A long-standing question about consumer behavior is whether individuals' observed purchase decisions satisfy the revealed preference (RP) axioms of the utility maximization theory (UMT). Researchers using survey or experimental panel data sets on prices and consumption to answer this question face the well-known problem of measurement error. We show that ignoring measurement error in the RP approach may lead to overrejection of the UMT. To solve this problem, we propose a new statistical RP framework for consumption panel data sets that allows for testing the UMT in the presence of measurement error. Our test is applicable to all consumer models that can be characterized by their first-order conditions. Our approach is nonparametric, allows for unrestricted heterogeneity in preferences, and requires only a centering condition on measurement error. We develop two applications that provide new evidence about the UMT. First, we find support in a survey data set for the dynamic and time-consistent UMT in single-individual households, in the presence of \emph{nonclassical} measurement error in consumption. In the second application, we cannot reject the static UMT in a widely used experimental data set in which measurement error in prices is assumed to be the result of price misperception due to the experimental design. The first finding stands in contrast to the conclusions drawn from the deterministic RP test of Browning (1989). The second finding reverses the conclusions drawn from the deterministic RP test of Afriat (1967) and Varian (1982).

یک سوال دیرینه در مورد رفتار مصرف کننده این است که آیا افراد تصمیمات خرید مشاهده شده ، بدیهیات اولویت (RP) را برآورده می کند نظریه حداکثر سازی ابزار (UMT).محققانی که از نظرسنجی یا تجربی استفاده می کنند مجموعه داده های پانل بر روی قیمت ها و مصرف برای پاسخ به این سؤال روبرو است مشکل شناخته شده خطای اندازه گیری.ما نشان می دهیم که نادیده گرفتن اندازه گیری خطا در رویکرد RP ممکن است منجر به بیش از حد UMT شود.برای حل این مشکل ، ما یک چارچوب RP آماری جدید برای داده های پانل مصرف پیشنهاد می کنیم مجموعه هایی که امکان آزمایش UMT را در حضور خطای اندازه گیری فراهم می کند.ما تست برای کلیه مدلهای مصرف کننده که می توانند توسط آنها مشخص شود ، کاربرد دارد شرایط مرتبه اولرویکرد ما غیرپارامتری است ، امکان نامحدود را فراهم می کند ناهمگونی در ترجیحات ، و فقط به یک شرایط محور نیاز دارد خطای اندازه گیری.ما دو برنامه را تهیه می کنیم که شواهد جدیدی در مورد آن ارائه می دهند UMTاول ، ما در یک مجموعه داده های نظرسنجی برای پویا و UMT سازگار با وقت در خانوارهای تک فردی ، در حضور خطای اندازه گیری \ empl {nonclassical in در مصرف.در دوم کاربرد ، ما نمی توانیم UMT استاتیک را در یک داده های تجربی گسترده استفاده کنیم تنظیم شده در آن خطای اندازه گیری در قیمت ها نتیجه قیمت است سوء برداشت به دلیل طراحی آزمایشی.اولین یافته ایستاده است تضاد با نتیجه گیری حاصل از آزمایش RP قطعی قهوه اینگ (1989).یافته دوم نتیجه گیری های حاصل از آزمون RP قطعی Afriat (1967) و Varian (1982).

In this paper, we study estimation of nonlinear models with cross sectional data using two-step generalized estimating equations (GEE) in the quasi-maximum likelihood estimation (QMLE) framework. In the interest of improving efficiency, we propose a grouping estimator to account for the potential spatial correlation in the underlying innovations. We use a Poisson model and a Negative Binomial II model for count data and a Probit model for binary response data to demonstrate the GEE procedure. Under mild weak dependency assumptions, results on estimation consistency and asymptotic normality are provided. Monte Carlo simulations show efficiency gain of our approach in comparison of different estimation methods for count data and binary response data. Finally we apply the GEE approach to study the determinants of the inflow foreign direct investment (FDI) to China.

در این مقاله ، ما برآورد مدل های غیرخطی با مقطعی را مطالعه می کنیم داده ها با استفاده از معادلات تخمین عمومی دو مرحله ای (GEE) در شبه حداکثر چارچوب برآورد احتمال (QMLE).به نفع بهبود کارآیی ، ما یک برآوردگر گروه بندی را پیشنهاد می کنیم تا پتانسیل را به خود اختصاص دهد همبستگی مکانی در نوآوری های اساسی.ما از یک مدل پواسون و a استفاده می کنیم مدل Binomial II منفی برای داده های شمارش و یک مدل پروبیت برای باینری داده های پاسخ برای نشان دادن روش GEE.تحت وابستگی ضعیف خفیف فرضیات ، نتایج مربوط به قوام تخمین و نرمال بودن بدون علامت است ارائه شدهشبیه سازی مونت کارلو نشان می دهد بهره وری از رویکرد ما در مقایسه روشهای مختلف تخمین برای داده های شمارش و پاسخ باینری داده ها.سرانجام ما از روش GEE برای مطالعه عوامل تعیین کننده جریان استفاده می کنیم سرمایه گذاری مستقیم خارجی (FDI) به چین.

Nonparametric Instrumental Variables (NPIV) analysis is based on a conditional moment restriction. We show that if this moment condition is even slightly misspecified, say because instruments are not quite valid, then NPIV estimates can be subject to substantial asymptotic error and the identified set under a relaxed moment condition may be large. Imposing strong a priori smoothness restrictions mitigates the problem but induces bias if the restrictions are too strong. In order to manage this trade-off we develop a methods for empirical sensitivity analysis and apply them to the consumer demand data previously analyzed in Blundell (2007) and Horowitz (2011).

تجزیه و تحلیل متغیرهای ابزاری غیر پارامتری (NPIV) بر اساس یک محدودیت لحظه مشروط.ما نشان می دهیم که اگر این شرایط لحظه ای یکنواخت باشد کمی اشتباه اشتباه ، بگویید زیرا ابزارها کاملاً معتبر نیستند ، پس NPIV تخمین ها می توانند در معرض خطای بدون علامت قابل توجهی و مجموعه مشخص شده باشند تحت یک لحظه آرام ممکن است بزرگ باشد.تحمیل پیشینی قوی محدودیت های صافی مشکل را کاهش می دهد اما در صورت ایجاد تعصب باعث ایجاد تعصب می شود محدودیت ها خیلی قوی هستند.به منظور مدیریت این تجارت ، ما توسعه می دهیم روشهای تجزیه و تحلیل حساسیت تجربی و استفاده از آنها برای مصرف کننده داده های تقاضا که قبلاً در بلوندل (2007) و هورویتز (2011) مورد تجزیه و تحلیل قرار گرفته اند.

This paper develops a consistent heteroskedasticity robust Lagrange Multiplier (LM) type specification test for semiparametric conditional mean models. Consistency is achieved by turning a conditional moment restriction into a growing number of unconditional moment restrictions using series methods. The proposed test statistic is straightforward to compute and is asymptotically standard normal under the null. Compared with the earlier literature on series-based specification tests in parametric models, I rely on the projection property of series estimators and derive a different normalization of the test statistic. Compared with the recent test in Gupta (2018), I use a different way of accounting for heteroskedasticity. I demonstrate using Monte Carlo studies that my test has superior finite sample performance compared with the existing tests. I apply the test to one of the semiparametric gasoline demand specifications from Yatchew and No (2001) and find no evidence against it.

در این مقاله یک ناهمگونی سازگار با ناهمگونی تقویت شده است تست مشخصات نوع ضرب (LM) برای میانگین مشروط نیمهرامتری مدل ها.قوام با تبدیل یک محدودیت لحظه مشروط حاصل می شود به تعداد فزاینده ای از محدودیت های لحظه ای بی قید و شرط با استفاده از سری مواد و روش ها.آمار آزمون پیشنهادی برای محاسبه ساده است و هست بدون علامت استاندارد عادی تحت تهی.در مقایسه با قبلی ادبیات در مورد تست های مشخصات مبتنی بر سری در مدلهای پارامتری ، من به آن اعتماد می کنم خاصیت پیش بینی برآوردگرهای سری و به دست می آید عادی سازی آمار آزمون.در مقایسه با آزمایش اخیر در گوپتا (2018) ، من از روش متفاوتی برای حسابداری برای ناهمگونی استفاده می کنم.من با استفاده از مطالعات Monte Carlo نشان دهید که آزمایش من نمونه محدود برتر دارد عملکرد در مقایسه با تست های موجود.من آزمون را در یکی از مشخصات تقاضای بنزین نیمهرامتری از Yatchew و No (2001) و هیچ مدرکی علیه آن پیدا نکنید.

This study considers treatment effect models in which others' treatment decisions can affect both one's own treatment and outcome. Focusing on the case of two-player interactions, we formulate treatment decision behavior as a complete information game with multiple equilibria. Using a latent index framework and assuming a stochastic equilibrium selection, we prove that the marginal treatment effect from one's own treatment and that from the partner are identifiable on the conditional supports of certain threshold variables determined through the game model. Based on our constructive identification results, we propose a two-step semiparametric procedure for estimating the marginal treatment effects using series approximation. We show that the proposed estimator is uniformly consistent and asymptotically normally distributed. As an empirical illustration, we investigate the impacts of risky behaviors on adolescents' academic performance.

این مطالعه مدلهای اثر درمانی را در نظر گرفته می شود که در آن درمان دیگران است تصمیمات می تواند بر درمان و نتیجه خود تأثیر بگذارد.تمرکز روی پرونده از تعامل دو نفره ، ما رفتار تصمیم گیری درمانی را به عنوان یک تدوین می کنیم بازی اطلاعاتی کامل با تعادل متعدد.با استفاده از یک فهرست نهفته چارچوب و فرض انتخاب تعادل تصادفی ، ما ثابت می کنیم که اثر درمانی حاشیه ای از معالجه شخصی خود و آن از شریک زندگی در پشتیبانی مشروط متغیرهای آستانه خاصی قابل شناسایی هستند تعیین شده از طریق مدل بازی.بر اساس شناسایی سازنده ما نتایج ، ما یک روش نیمه مرحله ای دو مرحله ای را برای برآورد پیشنهاد می کنیم اثرات درمانی حاشیه ای با استفاده از تقریب سری.ما نشان می دهیم که برآوردگر پیشنهادی به طور یکنواخت سازگار و بدون علامت عادی است توزیع شدهما به عنوان یک تصویر تجربی ، ما در مورد تأثیرات خطرناک بررسی می کنیم رفتارهای مربوط به عملکرد دانشگاهی نوجوانان.

In this paper we include dependency structures for electricity price forecasting and forecasting evaluation. We work with off-peak and peak time series from the German-Austrian day-ahead price, hence we analyze bivariate data. We first estimate the mean of the two time series, and then in a second step we estimate the residuals. The mean equation is estimated by OLS and elastic net and the residuals are estimated by maximum likelihood. Our contribution is to include a bivariate jump component on a mean reverting jump diffusion model in the residuals. The models' forecasts are evaluated using four different criteria, including the energy score to measure whether the correlation structure between the time series is properly included or not. In the results it is observed that the models with bivariate jumps provide better results with the energy score, which means that it is important to consider this structure in order to properly forecast correlated time series.

در این مقاله ما شامل ساختارهای وابستگی برای قیمت برق است ارزیابی پیش بینی و پیش بینی.ما با اوج و زمان اوج کار می کنیم سریال از قیمت روز آلمانی و آلمانی ، از این رو ما دو متغیره را تجزیه و تحلیل می کنیم داده ها.ما ابتدا میانگین سری دو زمان و سپس در یک ثانیه را تخمین می زنیم مرحله ما باقیمانده ها را تخمین می زنیم.میانگین معادله توسط OLS و خالص الاستیک و باقیمانده ها با حداکثر احتمال تخمین زده می شود.ما سهم این است که یک جزء پرش دو متغیره را در یک پرش میانگین بازگرداند مدل انتشار در باقیمانده.پیش بینی های مدل ها با استفاده از ارزیابی می شوند چهار معیار مختلف ، از جمله نمره انرژی برای اندازه گیری اینکه آیا ساختار همبستگی بین سری زمانی به درستی گنجانده شده است یا خیر.که در نتایج مشاهده می شود که مدل های پرش دو متغیره بهتر ارائه می دهند نتایج با نمره انرژی ، به این معنی که در نظر گرفتن مهم است این ساختار به منظور پیش بینی صحیح سری زمانی همبسته.

We propose a novel two-regime regression model where regime switching is driven by a vector of possibly unobservable factors. When the factors are latent, we estimate them by the principal component analysis of a panel data set. We show that the optimization problem can be reformulated as mixed integer optimization, and we present two alternative computational algorithms. We derive the asymptotic distribution of the resulting estimator under the scheme that the threshold effect shrinks to zero. In particular, we establish a phase transition that describes the effect of first-stage factor estimation as the cross-sectional dimension of panel data increases relative to the time-series dimension. Moreover, we develop bootstrap inference and illustrate our methods via numerical studies.

ما یک مدل رگرسیون دو رژیم جدید را که در آن تعویض رژیم است پیشنهاد می کنیم هدایت شده توسط یک بردار از عوامل احتمالاً غیرقابل کنترل.وقتی عوامل هستند نهفته ، ما آنها را با تجزیه و تحلیل مؤلفه اصلی داده های پانل تخمین می زنیم تنظیم.ما نشان می دهیم که مشکل بهینه سازی می تواند به عنوان عدد صحیح مختلط اصلاح شود بهینه سازی ، و ما دو الگوریتم محاسباتی جایگزین ارائه می دهیم.ما توزیع بدون علامت از برآوردگر حاصل را تحت این طرح استخراج کنید که اثر آستانه به صفر کاهش می یابد.به طور خاص ، ما یک مرحله را ایجاد می کنیم گذار که تأثیر تخمین فاکتور مرحله اول را به عنوان توصیف می کند بعد مقطعی از داده های پانل نسبت به سری زمان افزایش می یابد بعد، ابعاد، اندازه.علاوه بر این ، ما استنتاج bootstrap را توسعه داده و روشهای خود را نشان می دهیم از طریق مطالعات عددی.

Let Y be an outcome of interest, X a vector of treatment measures, and W a vector of pre-treatment control variables. Here X may include (combinations of) continuous, discrete, and/or non-mutually exclusive "treatments". Consider the linear regression of Y onto X in a subpopulation homogenous in W = w (formally a conditional linear predictor). Let b0(w) be the coefficient vector on X in this regression. We introduce a semiparametrically efficient estimate of the average beta0 = E[b0(W)]. When X is binary-valued (multi-valued) our procedure recovers the (a vector of) average treatment effect(s). When X is continuously-valued, or consists of multiple non-exclusive treatments, our estimand coincides with the average partial effect (APE) of X on Y when the underlying potential response function is linear in X, but otherwise heterogenous across agents. When the potential response function takes a general nonlinear/heterogenous form, and X is continuously-valued, our procedure recovers a weighted average of the gradient of this response across individuals and values of X. We provide a simple, and semiparametrically efficient, method of covariate adjustment for settings with complicated treatment regimes. Our method generalizes familiar methods of covariate adjustment used for program evaluation as well as methods of semiparametric regression (e.g., the partially linear regression model).

بگذارید y نتیجه مورد علاقه باشد ، x یک بردار اقدامات درمانی ، و w بردار متغیرهای کنترل قبل از درمان.در اینجا x ممکن است شامل (ترکیب) "درمان های" مداوم ، گسسته و/یا غیر عملی منحصر به فرد.در نظر بگیرید رگرسیون خطی y بر روی x در یک زیرمجموعه همگن در w = w (به طور رسمی پیش بینی کننده خطی مشروط).بگذارید B0 (W) بردار ضریب در X باشد این رگرسیونما یک تخمین نیمه کارآمد از میانگین beta0 = e [b0 (w)].هنگامی که x با ارزش باینری (چند ارزش) رویه ما است بازیابی (یک بردار) میانگین اثر درمانی (های).وقتی x است به طور مداوم ارزش دارد ، یا شامل چندین درمان غیر انحصاری ، ما است برآورد همزمان با میانگین اثر جزئی (میمون) x در y در هنگام عملکرد پاسخ بالقوه اساسی در x خطی است ، اما در غیر این صورت ناهمگن در سراسر عوامل.هنگامی که عملکرد پاسخ بالقوه a انجام می شود شکل عمومی غیرخطی/ناهمگن ، و x به طور مداوم ارزش دارد ، ما روش میانگین وزنی شیب این پاسخ را بازیابی می کند افراد و مقادیر X. ما یک ساده و نیمهرامی را ارائه می دهیم کارآمد ، روش تنظیم همبستگی برای تنظیمات با پیچیده رژیم های درمانی.روش ما روشهای آشنا متغیر متغیر را تعمیم می دهد تنظیم مورد استفاده برای ارزیابی برنامه و همچنین روشهای نیمهرامتری رگرسیون (به عنوان مثال ، مدل رگرسیون جزئی خطی).

We investigate the finite sample performance of causal machine learning estimators for heterogeneous causal effects at different aggregation levels. We employ an Empirical Monte Carlo Study that relies on arguably realistic data generation processes (DGPs) based on actual data. We consider 24 different DGPs, eleven different causal machine learning estimators, and three aggregation levels of the estimated effects. In the main DGPs, we allow for selection into treatment based on a rich set of observable covariates. We provide evidence that the estimators can be categorized into three groups. The first group performs consistently well across all DGPs and aggregation levels. These estimators have multiple steps to account for the selection into the treatment and the outcome process. The second group shows competitive performance only for particular DGPs. The third group is clearly outperformed by the other estimators.

ما عملکرد نمونه محدود یادگیری ماشین علیت را بررسی می کنیم برآوردگرها برای اثرات علّی ناهمگن در سطوح مختلف تجمع.ما از یک مطالعه تجربی مونت کارلو استفاده کنید که به داده های واقع بینانه متکی است فرآیندهای تولید (DGP) بر اساس داده های واقعی.ما 24 متفاوت را در نظر می گیریم DGPS ، یازده برآوردگر یادگیری ماشین علیت مختلف و سه سطح تجمع اثرات تخمینی.در DGP های اصلی ، ما اجازه می دهیم انتخاب به درمان بر اساس مجموعه ای غنی از متغیرهای قابل مشاهده.ما شواهدی ارائه دهید که برآوردگرها را می توان به سه گروه طبقه بندی کرد.در گروه اول به طور مداوم در تمام سطح DGP ها و سطح تجمع عملکرد خوبی دارد. این برآوردگرها چندین مرحله برای انتخاب انتخاب در درمان و روند نتیجه.گروه دوم رقابتی را نشان می دهد عملکرد فقط برای DGP های خاص.گروه سوم به وضوح بهتر است توسط برآوردگرهای دیگر.

This article proposes doubly robust estimators for the average treatment effect on the treated (ATT) in difference-in-differences (DID) research designs. In contrast to alternative DID estimators, the proposed estimators are consistent if either (but not necessarily both) a propensity score or outcome regression working models are correctly specified. We also derive the semiparametric efficiency bound for the ATT in DID designs when either panel or repeated cross-section data are available, and show that our proposed estimators attain the semiparametric efficiency bound when the working models are correctly specified. Furthermore, we quantify the potential efficiency gains of having access to panel data instead of repeated cross-section data. Finally, by paying articular attention to the estimation method used to estimate the nuisance parameters, we show that one can sometimes construct doubly robust DID estimators for the ATT that are also doubly robust for inference. Simulation studies and an empirical application illustrate the desirable finite-sample performance of the proposed estimators. Open-source software for implementing the proposed policy evaluation tools is available.

در این مقاله برآوردگرهای مضاعف برای متوسط درمان پیشنهاد می شود تأثیر بر تحقیقات (ATT) در اختلافات در اختلافات (DID) طرح ها.برخلاف برآوردگرهای جایگزین ، برآوردگرهای پیشنهادی هستند اگر هم (اما نه لزوماً هر دو) یک نمره گرایش یا نتیجه مدل های کار رگرسیون به درستی مشخص شده اند.ما همچنین به دست می آوریم راندمان نیمهرامتری محدود به ATT در طرح های DID هنگام پانل یا داده های مقطع مکرر در دسترس هستند و نشان می دهد که پیشنهادی ما برآوردگرها هنگام مدلهای کار ، به کارآیی نیمهرامتری می رسند به درستی مشخص شده اندعلاوه بر این ، ما کارایی بالقوه را کمیت می کنیم به دست آوردن داده های پانل به جای داده های مکرر مقطع. سرانجام ، با توجه به مفصل به روش تخمین مورد استفاده پارامترهای مزاحمت را تخمین بزنید ، ما نشان می دهیم که گاهی اوقات می توان ساخت برآوردگرهای دو برابر قوی برای ATT انجام داد که همچنین دو برابر قوی هستند استنتاجمطالعات شبیه سازی و یک برنامه تجربی نشان می دهد عملکرد مطلوب نمونه ای از برآوردگرهای پیشنهادی.متن باز نرم افزار برای اجرای ابزارهای ارزیابی سیاست پیشنهادی در دسترس است.

This paper examines a commonly used measure of persuasion whose precise interpretation has been obscure in the literature. By using the potential outcome framework, we define the causal persuasion rate by a proper conditional probability of taking the action of interest with a persuasive message conditional on not taking the action without the message. We then formally study identification under empirically relevant data scenarios and show that the commonly adopted measure generally does not estimate, but often overstates, the causal rate of persuasion. We discuss several new parameters of interest and provide practical methods for causal inference.

در این مقاله به یک اندازه گیری متداول از اقناع که دقیق است ، مورد بررسی قرار می گیرد تفسیر در ادبیات مبهم بوده است.با استفاده از پتانسیل چارچوب نتیجه ، ما میزان اقناع علی را با شرط مناسب تعریف می کنیم احتمال انجام عمل علاقه با یک پیام اقناعی مشروط بر عدم انجام عمل بدون پیام.سپس به طور رسمی شناسایی را تحت سناریوهای داده تجربی مرتبط مطالعه کنید و این را نشان دهید اندازه گیری متداول به طور کلی تخمین نمی زند ، اما اغلب بیش از حد بیش از حد است ، میزان علت اقناع.ما در مورد چندین پارامتر جدید مورد علاقه بحث می کنیم و روشهای عملی را برای استنباط علی فراهم کنید.

We develop a uniform test for detecting and dating explosive behavior of a strictly stationary GARCH$(r,s)$ (generalized autoregressive conditional heteroskedasticity) process. Namely, we test the null hypothesis of a globally stable GARCH process with constant parameters against an alternative where there is an 'abnormal' period with changed parameter values. During this period, the change may lead to an explosive behavior of the volatility process. It is assumed that both the magnitude and the timing of the breaks are unknown. We develop a double supreme test for the existence of a break, and then provide an algorithm to identify the period of change. Our theoretical results hold under mild moment assumptions on the innovations of the GARCH process. Technically, the existing properties for the QMLE in the GARCH model need to be reinvestigated to hold uniformly over all possible periods of change. The key results involve a uniform weak Bahadur representation for the estimated parameters, which leads to weak convergence of the test statistic to the supreme of a Gaussian Process. In simulations we show that the test has good size and power for reasonably large time series lengths. We apply the test to Apple asset returns and Bitcoin returns.

ما یک آزمایش یکنواخت برای تشخیص و قدمت رفتار انفجاری از a ایجاد می کنیم کاملاً ثابت $ (R ، S) $ (مشروط عمومی خود فرایند هتروسكاستیسم.یعنی ، ما فرضیه تهی یک جهان را آزمایش می کنیم فرآیند پایدار گارچ با پارامترهای ثابت در برابر جایگزین جایی یک دوره "غیر طبیعی" با مقادیر پارامتر تغییر یافته وجود دارد.در طی این دوره ، تغییر ممکن است به یک رفتار انفجاری از روند نوسانات منجر شود. فرض بر این است که هم بزرگی و هم زمان استراحت ناشناخته است. ما برای وجود یک استراحت یک آزمایش عالی دو برابر ایجاد می کنیم و سپس ارائه می دهیم یک الگوریتم برای شناسایی دوره تغییر.نتایج نظری ما نگه داشته می شود تحت فرضیات لحظه ای خفیف در مورد نوآوری های روند گارچ. از نظر فنی ، خواص موجود برای QMLE در مدل GARCH باید باشد مجدداً در تمام دوره های ممکن تغییر به طور یکنواخت مورد بررسی قرار گرفت.کلید نتایج شامل نمایندگی ضعیف بهادور یکنواخت برای تخمین زده شده است پارامترهایی که منجر به همگرایی ضعیف آمار آزمون به عالی یک روند گاوسی.در شبیه سازی ها نشان می دهیم که آزمون خوب است اندازه و قدرت برای طول سری های معقول بزرگ.ما آزمون را در آن اعمال می کنیم Apple Asset باز می گردد و بیت کوین باز می گردد.

Recent studies have proposed causal machine learning (CML) methods to estimate conditional average treatment effects (CATEs). In this study, I investigate whether CML methods add value compared to conventional CATE estimators by re-evaluating Connecticut's Jobs First welfare experiment. This experiment entails a mix of positive and negative work incentives. Previous studies show that it is hard to tackle the effect heterogeneity of Jobs First by means of CATEs. I report evidence that CML methods can provide support for the theoretical labor supply predictions. Furthermore, I document reasons why some conventional CATE estimators fail and discuss the limitations of CML methods.

مطالعات اخیر روشهای یادگیری ماشین علیت (CML) را ارائه داده است تخمین اثرات درمانی متوسط مشروط (CATES).در این مطالعه ، من بررسی کنید که آیا روشهای CML در مقایسه با CATE معمولی ارزش افزوده است برآوردگرها با ارزیابی مجدد مشاغل کانکتیکات برای اولین بار آزمایش رفاه.این آزمایش مستلزم ترکیبی از مشوق های مثبت و منفی است.قبلی مطالعات نشان می دهد که مقابله با ناهمگونی اثر در ابتدا دشوار است با استفاده از cates.من شواهدی را گزارش می کنم که روشهای CML می توانند از آنها پشتیبانی کنند پیش بینی های غذایی نظری کار.علاوه بر این ، دلایل دلیل را مستند می کنم برخی از برآوردگرهای CATE متعارف شکست می خورند و در مورد محدودیت های CML بحث می کنند مواد و روش ها.

This paper explores the use of a fuzzy regression discontinuity design where multiple treatments are applied at the threshold. The identification results show that, under the very strong assumption that the change in the probability of treatment at the cutoff is equal across treatments, a difference-in-discontinuities estimator identifies the treatment effect of interest. The point estimates of the treatment effect using a simple fuzzy difference-in-discontinuities design are biased if the change in the probability of a treatment applying at the cutoff differs across treatments. Modifications of the fuzzy difference-in-discontinuities approach that rely on milder assumptions are also proposed. Our results suggest caution is needed when applying before-and-after methods in the presence of fuzzy discontinuities. Using data from the National Health Interview Survey, we apply this new identification strategy to evaluate the causal effect of the Affordable Care Act (ACA) on older Americans' health care access and utilization.

در این مقاله به بررسی استفاده از یک طراحی ناپیوستگی رگرسیون فازی در جایی درمانهای متعدد در آستانه اعمال می شود.نتایج شناسایی با این فرض بسیار قوی نشان می دهد که تغییر در احتمال درمان در برش در کل درمانها برابر است ، الف برآوردگر اختلاف در دیسکونی ، اثر درمانی را مشخص می کند علاقه.برآورد نقطه اثر درمانی با استفاده از یک فازی ساده تفاوت در دیسکونتین در صورت تغییر در احتمال درمان اعمال شده در برش در درمان ها متفاوت است. اصلاح رویکرد تفاوت فازی در دیسکونی که به آن متکی است فرضیات خفیف تر نیز پیشنهاد شده است.نتایج ما نشان می دهد احتیاط لازم است هنگام استفاده از روشهای قبل و بعد در حضور فازی ناپیوستگیبا استفاده از داده های مربوط به بررسی مصاحبه ملی بهداشت ، ما اعمال می کنیم این استراتژی شناسایی جدید برای ارزیابی اثر علی قانون مراقبت مقرون به صرفه (ACA) در مورد دسترسی به مراقبت های بهداشتی آمریکایی های مسن و استفاده

We propose convenient inferential methods for potentially nonstationary multivariate unobserved components models with fractional integration and cointegration. Based on finite-order ARMA approximations in the state space representation, maximum likelihood estimation can make use of the EM algorithm and related techniques. The approximation outperforms the frequently used autoregressive or moving average truncation, both in terms of computational costs and with respect to approximation quality. Monte Carlo simulations reveal good estimation properties of the proposed methods for processes of different complexity and dimension.

ما روشهای استنباطی مناسب را برای غیر ایستگاه بالقوه پیشنهاد می کنیم مدلهای اجزای بدون نظارت چند متغیره با ادغام کسری و ادغامبر اساس تقریب ARMA مرتبه محدود در فضای دولت نمایندگی ، برآورد حداکثر احتمال می تواند از الگوریتم EM استفاده کند و تکنیک های مرتبطتقریب از اغلب استفاده می شود که اغلب مورد استفاده قرار می گیرد کوتاه شدن خودکار یا در حال حرکت ، هر دو از نظر محاسباتی هزینه ها و با توجه به کیفیت تقریبی.شبیه سازی مونت کارلو فاش می کند خصوصیات تخمین خوب روشهای پیشنهادی برای فرآیندهای مختلف پیچیدگی و بعد.

We propose a setup for fractionally cointegrated time series which is formulated in terms of latent integrated and short-memory components. It accommodates nonstationary processes with different fractional orders and cointegration of different strengths and is applicable in high-dimensional settings. In an application to realized covariance matrices, we find that orthogonal short- and long-memory components provide a reasonable fit and competitive out-of-sample performance compared to several competing methods.

ما یک مجموعه برای سریال های زمانی یکپارچه با هم جمع شده پیشنهاد می کنیم که است از نظر اجزای نهان یکپارچه و حافظه کوتاه فرموله شده است.آی تی فرآیندهای غیر ایستگاه با سفارشات کسری مختلف را در خود جای می دهد و ادغام نقاط قوت مختلف و در ابعاد بالا قابل اجرا است تنظیمات.در برنامه ای برای تحقق ماتریس های کواریانس ، ما این را می یابیم مؤلفه های کوتاه و کوتاه مدت متعامد یک تناسب مناسب و عملکرد خارج از نمونه رقابتی در مقایسه با چندین روش رقابتی.

Consider a setting in which a policy maker assigns subjects to treatments, observing each outcome before the next subject arrives. Initially, it is unknown which treatment is best, but the sequential nature of the problem permits learning about the effectiveness of the treatments. While the multi-armed-bandit literature has shed much light on the situation when the policy maker compares the effectiveness of the treatments through their mean, much less is known about other targets. This is restrictive, because a cautious decision maker may prefer to target a robust location measure such as a quantile or a trimmed mean. Furthermore, socio-economic decision making often requires targeting purpose specific characteristics of the outcome distribution, such as its inherent degree of inequality, welfare or poverty. In the present paper we introduce and study sequential learning algorithms when the distributional characteristic of interest is a general functional of the outcome distribution. Minimax expected regret optimality results are obtained within the subclass of explore-then-commit policies, and for the unrestricted class of all policies.

شرایطی را در نظر بگیرید که در آن یک سیاست گذار موضوعات را به معالجه اختصاص می دهد ، مشاهده هر نتیجه قبل از رسیدن موضوع بعدی.در ابتدا ، این است ناشناخته کدام درمان بهترین است ، اما ماهیت پی در پی مسئله یادگیری در مورد اثربخشی درمانها را فراهم می کند.در حالی که ادبیات باند چند مسلح بسیار روشن شده است که اوضاع سیاست ساز اثربخشی درمان ها را از طریق میانگین آنها مقایسه می کند ، در مورد اهداف دیگر بسیار کمتر شناخته شده است.این محدود کننده است ، زیرا محتاطانه است تصمیم گیرنده ممکن است ترجیح دهد یک اندازه گیری مکان قوی مانند A را هدف قرار دهد کمی یا یک میانگین بریده شده.علاوه بر این ، تصمیم گیری اقتصادی و اجتماعی اغلب به هدف هدفمند بودن ویژگی های خاص نتیجه نیاز دارد توزیع ، مانند درجه ذاتی نابرابری ، رفاه یا فقر.که در مقاله حاضر ما الگوریتم های یادگیری متوالی را وقتی معرفی و مطالعه می کنیم ویژگی توزیع علاقه یک عملکرد کلی از توزیع نتیجهMinimax مورد انتظار پشیمانی نتایج بهینه به دست می آید در زیر کلاس سیاست های اکتشاف-پس از آن ، و برای نامحدود کلاس همه سیاست ها.

In many applications common in testing for convergence the number of cross-sectional units is large and the number of time periods are few. In these situations asymptotic tests based on an omnibus null hypothesis are characterised by a number of problems. In this paper we propose a multiple pairwise comparisons method based on an a recursive bootstrap to test for convergence with no prior information on the composition of convergence clubs. Monte Carlo simulations suggest that our bootstrap-based test performs well to correctly identify convergence clubs when compared with other similar tests that rely on asymptotic arguments. Across a potentially large number of regions, using both cross-country and regional data for the European Union, we find that the size distortion which afflicts standard tests and results in a bias towards finding less convergence, is ameliorated when we utilise our bootstrap test.

در بسیاری از کاربردهای متداول در آزمایش همگرایی تعداد تعداد واحدهای مقطعی زیاد است و تعداد دوره های زمانی اندک است.دراین شرایط آزمایش بدون علامت بر اساس فرضیه تهی Omnibus است با تعدادی از مشکلات مشخص می شود.در این مقاله ما چند مورد پیشنهاد می کنیم روش مقایسه جفت بر اساس یک بوت استرپ بازگشتی برای آزمایش برای همگرایی بدون اطلاعات قبلی در مورد ترکیب باشگاه های همگرایی. شبیه سازی مونت کارلو نشان می دهد که تست مبتنی بر بوت استرپ ما عملکرد خوبی دارد کلوپ های همگرایی را به درستی در مقایسه با سایر تست های مشابه مشخص کنید که به استدلال های بدون علامت متکی هستند.در تعداد بالقوه زیادی از مناطق ، با استفاده از داده های متقابل کشور و منطقه ای برای اتحادیه اروپا ، ما دریابید که اعوجاج اندازه که تست های استاندارد را تحت تأثیر قرار می دهد و منجر به یک می شود تعصب در یافتن همگرایی کمتر ، هنگامی که ما از خود استفاده می کنیم بهبود می یابد تست بوت استرپ.

We propose a practical and robust method for making inferences on average treatment effects estimated by synthetic controls. We develop a $K$-fold cross-fitting procedure for bias-correction. To avoid the difficult estimation of the long-run variance, inference is based on a self-normalized $t$-statistic, which has an asymptotically pivotal $t$-distribution. Our $t$-test is easy to implement, provably robust against misspecification, valid with non-stationary data, and demonstrates an excellent small sample performance. Compared to difference-in-differences, our method often yields more than 50% shorter confidence intervals and is robust to violations of parallel trends assumptions. An $\texttt{R}$-package for implementing our methods is available.

ما یک روش عملی و قوی برای انجام استنتاج به طور متوسط پیشنهاد می کنیم اثرات درمانی برآورد شده توسط کنترل مصنوعی.ما یک $ $ $ $ توسعه می دهیم روش متقاطع برای تصحیح تعصب.برای جلوگیری از برآورد دشوار از واریانس بلند مدت ، استنباط مبتنی بر خود طبیعی است $ t $ -statistic ، که دارای یک محوری بدون علامت $ t -distribution است.ما $ t $-test به راحتی قابل اجرا است ، در برابر غلط املایی ، معتبر قوی است با داده های غیر ثابت ، و یک نمونه کوچک عالی را نشان می دهد کارایی.در مقایسه با اختلافات اختلاف ، روش ما اغلب به دست می آید بیش از 50 ٪ فواصل اطمینان کوتاه تر و در برابر نقض آن قوی است فرضیات روندهای موازی.یک بسته $ \ texttt {r} $-برای اجرای ما روشها در دسترس است

The instrumental variable quantile regression (IVQR) model (Chernozhukov and Hansen, 2005) is a popular tool for estimating causal quantile effects with endogenous covariates. However, estimation is complicated by the non-smoothness and non-convexity of the IVQR GMM objective function. This paper shows that the IVQR estimation problem can be decomposed into a set of conventional quantile regression sub-problems which are convex and can be solved efficiently. This reformulation leads to new identification results and to fast, easy to implement, and tuning-free estimators that do not require the availability of high-level "black box" optimization routines.

رگرسیون متغیر متغیر متغیر (IVQR) مدل (Chernozhukov و هانسن ، 2005) ابزاری محبوب برای برآورد اثرات مقداری علّی با متغیرهای درون زا.با این حال ، تخمین توسط عدم صافی پیچیده است و عدم تغییر عملکرد هدف IVQR GMM.این مقاله نشان می دهد که مشکل تخمین IVQR را می توان به مجموعه ای از مقادیر معمولی تجزیه کرد مشکلات فرعی رگرسیون که محدب هستند و می توانند به طور مؤثر حل شوند.این اصلاحات منجر به نتایج شناسایی جدید و سریع و آسان می شود اجرای و برآوردگرهای بدون تنظیم که نیازی به در دسترس بودن ندارند روال بهینه سازی سطح بالا "جعبه سیاه".

Predicting future successful designs and corresponding market opportunity is a fundamental goal of product design firms. There is accordingly a long history of quantitative approaches that aim to capture diverse consumer preferences, and then translate those preferences to corresponding "design gaps" in the market. We extend this work by developing a deep learning approach to predict design gaps in the market. These design gaps represent clusters of designs that do not yet exist, but are predicted to be both (1) highly preferred by consumers, and (2) feasible to build under engineering and manufacturing constraints. This approach is tested on the entire U.S. automotive market using of millions of real purchase data. We retroactively predict design gaps in the market, and compare predicted design gaps with actual known successful designs. Our preliminary results give evidence it may be possible to predict design gaps, suggesting this approach has promise for early identification of market opportunity.

پیش بینی طرح های موفق آینده و فرصت مربوط به بازار هدف اساسی شرکتهای طراحی محصول.بر این اساس یک تاریخ طولانی وجود دارد از رویکردهای کمی که با هدف جذب ترجیحات مصرف کننده متنوع ، و سپس آن ترجیحات را به "شکاف های طراحی" مربوطه ترجمه کنید بازار.ما این کار را با توسعه یک رویکرد یادگیری عمیق برای پیش بینی گسترش می دهیم شکاف های طراحی در بازار.این شکاف های طراحی نشانگر خوشه های طرح هایی است که هنوز وجود ندارد ، اما پیش بینی می شود که هر دو (1) بسیار ترجیح داده شوند مصرف کنندگان ، و (2) امکان ساخت تحت مهندسی و تولید محدودیت ها.این رویکرد با استفاده از کل بازار خودرو آمریكا آزمایش می شود از میلیون ها داده خرید واقعی.ما به صورت محوری شکاف های طراحی را در بازار ، و مقایسه شکاف های طراحی پیش بینی شده با طرح های موفق شناخته شده واقعی. نتایج اولیه ما شواهدی را ارائه می دهد که ممکن است پیش بینی طراحی باشد شکاف ها ، نشان می دهد که این رویکرد نوید برای شناسایی زودرس بازار است فرصت

This paper studies identification and estimation of a class of dynamic models in which the decision maker (DM) is uncertain about the data-generating process. The DM surrounds a benchmark model that he or she fears is misspecified by a set of models. Decisions are evaluated under a worst-case model delivering the lowest utility among all models in this set. The DM's benchmark model and preference parameters are jointly underidentified. With the benchmark model held fixed, primitive conditions are established for identification of the DM's worst-case model and preference parameters. The key step in the identification analysis is to establish existence and uniqueness of the DM's continuation value function allowing for unbounded statespace and unbounded utilities. To do so, fixed-point results are derived for monotone, convex operators that act on a Banach space of thin-tailed functions arising naturally from the structure of the continuation value recursion. The fixed-point results are quite general; applications to models with learning and Rust-type dynamic discrete choice models are also discussed. For estimation, a perturbation result is derived which provides a necessary and sufficient condition for consistent estimation of continuation values and the worst-case model. The result also allows convergence rates of estimators to be characterized. An empirical application studies an endowment economy where the DM's benchmark model may be interpreted as an aggregate of experts' forecasting models. The application reveals time-variation in the way the DM pessimistically distorts benchmark probabilities. Consequences for asset pricing are explored and connections are drawn with the literature on macroeconomic uncertainty.

این مقاله به بررسی شناسایی و تخمین کلاس از مدلهای پویا می پردازد که در آن تصمیم گیرنده (DM) در مورد تولید داده ها مطمئن نیست روند.DM یک مدل معیار را که از آن می ترسد احاطه کرده است اشتباه توسط مجموعه ای از مدل ها.تصمیمات تحت بدترین حالت ارزیابی می شوند مدل ارائه کمترین ابزار در بین همه مدل ها در این مجموعه.DM مدل معیار و پارامترهای ترجیحی به طور مشترک تحت شناسایی قرار می گیرند.با مدل معیار ثابت نگه داشته شده ، شرایط بدوی برای شناسایی مدل بدترین حالت DM و پارامترهای اولویت.کلید مرحله در تجزیه و تحلیل شناسایی ایجاد وجود و منحصر به فرد بودن است عملکرد مقدار ادامه DM که فضای حالت بدون مرز را فراهم می کند و آب و برق بدون مرز.برای انجام این کار ، نتایج نقطه ثابت برای یکنواختی حاصل می شود ، اپراتورهای محدب که در فضای موز از توابع نازک و باریک عمل می کنند به طور طبیعی از ساختار بازگشت ارزش مداوم.در نتایج ثابت کاملاً کلی است.برنامه های کاربردی به مدل های دارای یادگیری و مدل های انتخاب گسسته پویا از نوع زنگ زدگی نیز مورد بحث قرار گرفته است.برای تخمین ، الف نتیجه آشفتگی حاصل می شود که لازم و کافی را فراهم می کند شرط تخمین مداوم از مقادیر مداوم و بدترین حالت مدل.نتیجه همچنین اجازه می دهد تا نرخ همگرایی برآوردگرها باشد مشخصهیک برنامه تجربی یک اقتصاد موقوفه را مطالعه می کند که در آن مدل معیار DM ممکن است به عنوان جمع پیش بینی متخصصان تعبیر شود مدل ها.برنامه نشان دهنده تغییر زمان در نحوه DM است از نظر بدبینی احتمالات معیار را تحریف می کند.عواقب دارایی قیمت گذاری مورد بررسی قرار می گیرد و اتصالات با ادبیات در آن ترسیم شده است عدم اطمینان کلان اقتصادی.

This paper introduces a flexible regularization approach that reduces point estimation risk of group means stemming from e.g. categorical regressors, (quasi-)experimental data or panel data models. The loss function is penalized by adding weighted squared l2-norm differences between group location parameters and informative first-stage estimates. Under quadratic loss, the penalized estimation problem has a simple interpretable closed-form solution that nests methods established in the literature on ridge regression, discretized support smoothing kernels and model averaging methods. We derive risk-optimal penalty parameters and propose a plug-in approach for estimation. The large sample properties are analyzed in an asymptotic local to zero framework by introducing a class of sequences for close and distant systems of locations that is sufficient for describing a large range of data generating processes. We provide the asymptotic distributions of the shrinkage estimators under different penalization schemes. The proposed plug-in estimator uniformly dominates the ordinary least squares in terms of asymptotic risk if the number of groups is larger than three. Monte Carlo simulations reveal robust improvements over standard methods in finite samples. Real data examples of estimating time trends in a panel and a difference-in-differences study illustrate potential applications.

در این مقاله یک رویکرد تنظیم انعطاف پذیر ارائه شده است که نقطه را کاهش می دهد خطر تخمین گروه به معنای ناشی از مثلاً ناشی از آن است.رگرسرهای طبقه ای ، (شبه) داده های تجربی یا مدل های داده پانل.عملکرد از دست دادن مجازات می شود با افزودن اختلافات L2-NORM وزنی بین مکان گروه پارامترها و برآوردهای مرحله اول آموزنده.تحت از دست دادن درجه دوم ، مشکل تخمین مجازات یک راه حل ساده قابل تفسیر است این روشهای لانه که در ادبیات مربوط به رگرسیون ریج ایجاد شده است ، پشتیبانی گسسته ، هسته های صاف کننده و روش های میانگین مدل.ما مشتق می شویم پارامترهای مجازات بهینه ریسک و پیشنهاد یک روش افزونه برای تخمین. خصوصیات نمونه بزرگ در یک محلی بدون علامت به صفر تجزیه و تحلیل می شود چارچوب با معرفی یک کلاس از توالی برای سیستم های نزدیک و دور از مکانهایی که برای توصیف طیف گسترده ای از تولید داده ها کافی است فرآیندهاما توزیع های بدون علامت برآوردگرهای انقباض را ارائه می دهیم تحت طرح های مجازات مختلف.برآوردگر پلاگین پیشنهادی به طور یکنواخت در صورت تعداد بر روی حداقل مربعات معمولی از نظر خطر بدون علامت حاکم است از گروه ها بزرگتر از سه است.شبیه سازی های مونت کارلو استحکام را نشان می دهد پیشرفت بیش از روشهای استاندارد در نمونه های محدود.نمونه های داده واقعی از تخمین روند زمان در یک پانل و یک مطالعه تفاوت در اختلافات برنامه های بالقوه را نشان دهید.

This article introduces lassopack, a suite of programs for regularized regression in Stata. lassopack implements lasso, square-root lasso, elastic net, ridge regression, adaptive lasso and post-estimation OLS. The methods are suitable for the high-dimensional setting where the number of predictors $p$ may be large and possibly greater than the number of observations, $n$. We offer three different approaches for selecting the penalization (`tuning') parameters: information criteria (implemented in lasso2), $K$-fold cross-validation and $h$-step ahead rolling cross-validation for cross-section, panel and time-series data (cvlasso), and theory-driven (`rigorous') penalization for the lasso and square-root lasso for cross-section and panel data (rlasso). We discuss the theoretical framework and practical considerations for each approach. We also present Monte Carlo results to compare the performance of the penalization approaches.

در این مقاله Lassopack ، مجموعه ای از برنامه ها برای منظم معرفی شده است رگرسیون در Stata.Lassopack Lasso ، Lasso مربع ، الاستیک را پیاده سازی می کند خالص ، رگرسیون ریج ، لاسو تطبیقی و OLS پس از تخمین.روش ها هستند مناسب برای تنظیمات بالا که در آن تعداد پیش بینی کننده $ P $ ممکن است بزرگ و احتمالاً بیشتر از تعداد مشاهدات ، $ n $ باشد.ما سه روش مختلف برای انتخاب مجازات ("تنظیم") ارائه دهید پارامترها: معیارهای اطلاعات (در Lasso2 اجرا شده است) ، $ k $ -fold اعتبار سنجی متقابل و $ H $ پیش از این اعتبار سنجی متقابل برای مقطع ، داده های پانل و سری زمانی (CVLASSO) ، و تئوری محور ("سختگیرانه") مجازات برای لاسو لاسو و مربع برای مقطع و پانل داده ها (rlasso).ما در مورد چارچوب نظری و عملی بحث می کنیم ملاحظات برای هر رویکرد.ما همچنین نتایج مونت کارلو را به عملکرد رویکردهای مجازات را مقایسه کنید.

The maximum utility estimation proposed by Elliott and Lieli (2013) can be viewed as cost-sensitive binary classification; thus, its in-sample overfitting issue is similar to that of perceptron learning. A utility-maximizing prediction rule (UMPR) is constructed to alleviate the in-sample overfitting of the maximum utility estimation. We establish non-asymptotic upper bounds on the difference between the maximal expected utility and the generalized expected utility of the UMPR. Simulation results show that the UMPR with an appropriate data-dependent penalty achieves larger generalized expected utility than common estimators in the binary classification if the conditional probability of the binary outcome is misspecified.

حداکثر برآورد ابزار ارائه شده توسط الیوت و لیلی (2013) می تواند باشد به عنوان طبقه بندی باینری حساس به هزینه مشاهده می شود.بنابراین ، در نمونه آن بیش از حد است مسئله شبیه به یادگیری Perceptron است.یک حواله ساز کار قانون پیش بینی (UMPR) برای کاهش بیش از حد نمونه در نمونه ساخته شده است حداکثر برآورد ابزار.ما مرزهای فوقانی غیر متعارف را در تفاوت بین ابزار حداکثر مورد انتظار و مورد انتظار عمومی ابزار UMPR.نتایج شبیه سازی نشان می دهد که UMPR با مناسب مجازات وابسته به داده ها به ابزار مورد انتظار بزرگتر از حد مشترک دست می یابد برآوردگرها در طبقه بندی باینری در صورت احتمال مشروط نتیجه باینری اشتباه است.

We provide a finite sample inference method for the structural parameters of a semiparametric binary response model under a conditional median restriction originally studied by Manski (1975, 1985). Our inference method is valid for any sample size and irrespective of whether the structural parameters are point identified or partially identified, for example due to the lack of a continuously distributed covariate with large support. Our inference approach exploits distributional properties of observable outcomes conditional on the observed sequence of exogenous variables. Moment inequalities conditional on this size n sequence of exogenous covariates are constructed, and the test statistic is a monotone function of violations of sample moment inequalities. The critical value used for inference is provided by the appropriate quantile of a known function of n independent Rademacher random variables. We investigate power properties of the underlying test and provide simulation studies to support the theoretical findings.

ما یک روش استنتاج نمونه محدود برای پارامترهای ساختاری ارائه می دهیم یک مدل پاسخ باینری نیمهرامتری تحت یک محدودیت متوسط مشروط در ابتدا توسط مانسکی (1975 ، 1985) مورد مطالعه قرار گرفت.روش استنتاج ما برای هر اندازه نمونه و صرف نظر از اینکه آیا پارامترهای ساختاری نقطه هستند به عنوان مثال به دلیل فقدان a مشخص شده یا جزئی شناسایی شده است همبستگی مداوم با پشتیبانی بزرگ توزیع می شود.رویکرد استنتاج ما از خصوصیات توزیع نتایج قابل مشاهده مشروط به توالی مشاهده شده از متغیرهای اگزوژن.نابرابری های لحظه ای مشروط به این دنباله اندازه N از همبستگی های اگزوژن ساخته شده است و آزمایش آمار یک عملکرد یکنواخت از نقض نابرابری های لحظه ای نمونه است. مقدار بحرانی که برای استنباط استفاده می شود توسط کمیت مناسب ارائه می شود از یک تابع شناخته شده از متغیرهای تصادفی Rademacher مستقل.ما خصوصیات قدرت آزمایش زیربنایی را بررسی کرده و شبیه سازی را ارائه دهید مطالعات برای حمایت از یافته های نظری.

A fundamental problem with nonlinear models is that maximum likelihood estimates are not guaranteed to exist. Though nonexistence is a well known problem in the binary choice literature, it presents significant challenges for other models as well and is not as well understood in more general settings. These challenges are only magnified for models that feature many fixed effects and other high-dimensional parameters. We address the current ambiguity surrounding this topic by studying the conditions that govern the existence of estimates for (pseudo-)maximum likelihood estimators used to estimate a wide class of generalized linear models (GLMs). We show that some, but not all, of these GLM estimators can still deliver consistent estimates of at least some of the linear parameters when these conditions fail to hold. We also demonstrate how to verify these conditions in models with high-dimensional parameters, such as panel data models with multiple levels of fixed effects.

یک مشکل اساسی در مدل های غیرخطی این است که حداکثر احتمال تخمین ها تضمین نشده اند.گرچه هیچگونه عدم وجود شناخته شده است مشکل در ادبیات انتخاب باینری ، چالش های قابل توجهی را برای مدل های دیگر نیز در تنظیمات عمومی تر به خوبی درک نمی شوند. این چالش ها فقط برای مدلهایی که دارای بسیاری از اثرات ثابت هستند بزرگ می شوند و سایر پارامترهای با ابعاد بالا.ما به ابهام فعلی می پردازیم پیرامون این موضوع با مطالعه شرایطی که حاکم بر وجود است تخمین برای (شبه) برآوردگرهای حداکثر احتمال استفاده شده برای تخمین گسترده کلاس مدل های خطی عمومی (GLM).ما نشان می دهیم که برخی ، اما نه همه ، از این برآوردگرهای GLM هنوز هم می توانند تخمین های مداوم از حداقل برخی از آنها را ارائه دهند پارامترهای خطی در صورت عدم حفظ این شرایط.ما همچنین نشان می دهیم چگونه می توان این شرایط را در مدلهایی با پارامترهای با ابعاد بالا تأیید کرد ، از این دست به عنوان مدل های داده پانل با چندین سطح اثرات ثابت.

Bojinov & Shephard (2019) defined potential outcome time series to nonparametrically measure dynamic causal effects in time series experiments. Four innovations are developed in this paper: "instrumental paths," treatments which are "shocks," "linear potential outcomes" and the "causal response function." Potential outcome time series are then used to provide a nonparametric causal interpretation of impulse response functions, generalized impulse response functions, local projections and LP-IV.

Bojinov & Shephard (2019) سری زمانی نتیجه بالقوه را به اثرات علّی پویا را در آزمایش های سری زمانی به صورت غیر پارامتری اندازه گیری می کند. چهار نوآوری در این مقاله ایجاد شده است: "مسیرهای ابزاری" ، درمان ها که "شوک" ، "نتایج بالقوه خطی" و "پاسخ علی است عملکرد. "سری زمانی نتیجه بالقوه برای تهیه a استفاده می شود تفسیر علی غیر پارامتری از توابع پاسخ ضربه ، تعمیم یافته توابع پاسخ ضربه ، پیش بینی های محلی و LP-IV.

In this paper we present ppmlhdfe, a new Stata command for estimation of (pseudo) Poisson regression models with multiple high-dimensional fixed effects (HDFE). Estimation is implemented using a modified version of the iteratively reweighted least-squares (IRLS) algorithm that allows for fast estimation in the presence of HDFE. Because the code is built around the reghdfe package, it has similar syntax, supports many of the same functionalities, and benefits from reghdfe's fast convergence properties for computing high-dimensional least squares problems. Performance is further enhanced by some new techniques we introduce for accelerating HDFE-IRLS estimation specifically. ppmlhdfe also implements a novel and more robust approach to check for the existence of (pseudo) maximum likelihood estimates.

در این مقاله ما PPMLHDFE را ارائه می دهیم ، یک دستور جدید Stata برای تخمین (شبه) مدل های رگرسیون پواسون با چندین اثر ثابت با ابعاد بالا (HDFE).تخمین با استفاده از یک نسخه اصلاح شده تکراری اجرا می شود الگوریتم حداقل مربعات حداقل وزنی (IRLS) که امکان تخمین سریع در آن را فراهم می کند حضور HDFE.از آنجا که کد در اطراف بسته reghdfe ساخته شده است ، آن نحو مشابهی دارد ، از بسیاری از همان ویژگی ها و مزایا پشتیبانی می کند از خصوصیات همگرایی سریع Reghdfe برای محاسبه حداقل با ابعاد بالا مشکلات مربع عملکرد بیشتر با برخی از تکنیک های جدید که ما برای آنها معرفی می کنیم افزایش می یابد تسریع برآورد HDFE-GRILS به طور خاص.ppmlhdfe همچنین رویکرد جدید و قوی تر برای بررسی حداکثر (شبه) حداکثر برآورد احتمال.

A fixed effects regression estimator is introduced that can directly identify and estimate the Africa-Dummy in one regression step so that its correct standard errors as well as correlations to other coefficients can easily be estimated. We can estimate the Nickel bias and found it to be negligibly tiny. Semiparametric extensions check whether the Africa-Dummy is simply a result of misspecification of the functional form. In particular, we show that the returns to growth factors are different for Sub-Saharan African countries compared to the rest of the world. For example, returns to population growth are positive and beta-convergence is faster. When extending the model to identify the development of the Africa-Dummy over time we see that it has been changing dramatically over time and that the punishment for Sub-Saharan African countries has been decreasing incrementally to reach insignificance around the turn of the millennium.

برآوردگر رگرسیون جلوه های ثابت معرفی شده است که می تواند مستقیماً شناسایی کند و آفریقا را در یک مرحله رگرسیون تخمین بزنید تا صحیح باشد خطاهای استاندارد و همچنین همبستگی با سایر ضرایب می تواند به راحتی باشد تخمین زده.ما می توانیم تعصب نیکل را تخمین بزنیم و متوجه شدیم که بسیار ناچیز است. پسوندهای نیمهرامتری بررسی می کنند که آیا آفریقا-راننده به سادگی نتیجه است غلط گیری شکل عملکردی.به طور خاص ، ما نشان می دهیم که بازده به عوامل رشد برای کشورهای آفریقایی زیر صحرایی متفاوت است در مقایسه با سایر نقاط جهان.به عنوان مثال ، به رشد جمعیت باز می گردد مثبت هستند و بتا همگرایی سریعتر است.هنگام گسترش مدل به پیشرفت و توسعه آفریقا را با گذشت زمان مشخص کنیم که می بینیم که چنین بوده است با گذشت زمان به طرز چشمگیری تغییر می کند و این مجازات برای آفریقای کشورهای جنوب صحرای کشورها برای رسیدن به ناچیز در اطراف ، به صورت تدریجی کاهش یافته اند چرخش هزاره.

Various papers demonstrate the importance of inequality, poverty and the size of the middle class for economic growth. When explaining why these measures of the income distribution are added to the growth regression, it is often mentioned that poor people behave different which may translate to the economy as a whole. However, simply adding explanatory variables does not reflect this behavior. By a varying coefficient model we show that the returns to growth differ a lot depending on poverty and inequality. Furthermore, we investigate how these returns differ for the poorer and for the richer part of the societies. We argue that the differences in the coefficients impede, on the one hand, that the means coefficients are informative, and, on the other hand, challenge the credibility of the economic interpretation. In short, we show that, when estimating mean coefficients without accounting for poverty and inequality, the estimation is likely to suffer from a serious endogeneity bias.

مقالات مختلف اهمیت نابرابری ، فقر و اندازه را نشان می دهد طبقه متوسط برای رشد اقتصادی.هنگام توضیح اینکه چرا این اقدامات توزیع درآمد به رگرسیون رشد اضافه می شود ، اغلب ذکر کرد که افراد فقیر متفاوت رفتار می کنند که ممکن است به اقتصاد ترجمه شود در کل.با این حال ، اضافه کردن متغیرهای توضیحی این موضوع را منعکس نمی کند رفتار - اخلاق.با یک مدل ضریب متفاوت ، ما نشان می دهیم که بازده به رشد بسته به فقر و نابرابری تفاوت زیادی دارد.علاوه بر این ، ما تحقیق می کنیم چگونه این بازده ها برای فقیرتر و برای قسمت ثروتمندتر متفاوت است جوامعما استدلال می کنیم که تفاوت در ضرایب مانع از آن می شود دست ، که ضرایب میانگین آموزنده هستند و از طرف دیگر ، اعتبار تفسیر اقتصادی را به چالش بکشید.به طور خلاصه ، ما نشان می دهیم که ، هنگام تخمین میانگین ضرایب بدون حسابداری از فقر و نابرابری ، تخمین احتمالاً از تعصب جدی درون زا رنج می برد.

We consider inference on the probability density of valuations in the first-price sealed-bid auctions model within the independent private value paradigm. We show the asymptotic normality of the two-step nonparametric estimator of Guerre, Perrigne, and Vuong (2000) (GPV), and propose an easily implementable and consistent estimator of the asymptotic variance. We prove the validity of the pointwise percentile bootstrap confidence intervals based on the GPV estimator. Lastly, we use the intermediate Gaussian approximation approach to construct bootstrap-based asymptotically valid uniform confidence bands for the density of the valuations.

ما استنباط در چگالی احتمال ارزیابی در مدل حراج های پلمپ شده با قیمت اول در ارزش خصوصی مستقل الگو.ما عادی بودن بدون علامت غیر پارامتری دو مرحله ای را نشان می دهیم برآوردگر Guerre ، Perrigne و Vuong (2000) (GPV) و به راحتی پیشنهاد می دهند برآوردگر قابل اجرا و مداوم از واریانس بدون علامت.ما ثابت می کنیم اعتبار فواصل اطمینان بوت استرپ صدک بر اساس برآوردگر GPV.در آخر ، ما از تقریب گاوسی میانی استفاده می کنیم رویکرد برای ساخت اعتماد به نفس یکنواخت بدون علامت مبتنی بر بوت استرپ باند برای چگالی ارزیابی ها.

Empirical growth analysis has three major problems --- variable selection, parameter heterogeneity and cross-sectional dependence --- which are addressed independently from each other in most studies. The purpose of this study is to propose an integrated framework that extends the conventional linear growth regression model to allow for parameter heterogeneity and cross-sectional error dependence, while simultaneously performing variable selection. We also derive the asymptotic properties of the estimator under both low and high dimensions, and further investigate the finite sample performance of the estimator through Monte Carlo simulations. We apply the framework to a dataset of 89 countries over the period from 1960 to 2014. Our results reveal some cross-country patterns not found in previous studies (e.g., "middle income trap hypothesis", "natural resources curse hypothesis", "religion works via belief, not practice", etc.).

تجزیه و تحلیل رشد تجربی دارای سه مشکل اساسی است --- انتخاب متغیر ، ناهمگونی پارامتر و وابستگی مقطعی --- که مورد توجه قرار می گیرد در اکثر مطالعات به طور مستقل از یکدیگر.هدف از این مطالعه این است که یک چارچوب یکپارچه را پیشنهاد کنید که رشد خطی معمولی را گسترش دهد مدل رگرسیون برای اجازه ناهمگونی پارامتر و خطای مقطعی وابستگی ، در حالی که همزمان انتخاب متغیر را انجام می دهد.ما نیز مشتق می شویم خصوصیات بدون علامت برآوردگر در هر دو ابعاد کم و زیاد ، و بیشتر عملکرد نمونه محدود برآوردگر را از طریق بررسی کنید شبیه سازی مونت کارلو.ما این چارچوب را در مجموعه داده 89 کشور به کار می بریم طی دوره 1960 تا 2014. نتایج ما برخی از کشور های متقابل را نشان می دهد الگوهای موجود در مطالعات قبلی (به عنوان مثال ، "فرضیه دام درآمد متوسط" ، "فرضیه نفرین منابع طبیعی" ، "دین از طریق اعتقاد کار می کند ، نه تمرین "، و غیره).

We propose a new approach to mixed-frequency regressions in a high-dimensional environment that resorts to Group Lasso penalization and Bayesian techniques for estimation and inference. In particular, to improve the prediction properties of the model and its sparse recovery ability, we consider a Group Lasso with a spike-and-slab prior. Penalty hyper-parameters governing the model shrinkage are automatically tuned via an adaptive MCMC algorithm. We establish good frequentist asymptotic properties of the posterior of the in-sample and out-of-sample prediction error, we recover the optimal posterior contraction rate, and we show optimality of the posterior predictive density. Simulations show that the proposed models have good selection and forecasting performance in small samples, even when the design matrix presents cross-correlation. When applied to forecasting U.S. GDP, our penalized regressions can outperform many strong competitors. Results suggest that financial variables may have some, although very limited, short-term predictive content.

ما یک رویکرد جدید برای رگرسیون با فرکانس مختلط در یک پیشنهاد می کنیم محیطی با ابعاد بالا که به مجازات لاسو گروهی متوسل می شود و تکنیک های بیزی برای تخمین و استنباط.به ویژه ، برای بهبود ویژگی های پیش بینی مدل و توانایی بازیابی پراکنده آن ، ما را در نظر می گیریم گروهی لاسو با سنبله و تخته سنبله.پارامترهای بیش از حد مجازات انقباض مدل به طور خودکار از طریق یک الگوریتم سازگار MCMC تنظیم می شود.ما خصوصیات بدون علامت مکرر خوب از خلفی خلفی را ایجاد کنید خطای پیش بینی در نمونه و خارج از نمونه ، خلفی بهینه را بازیابی می کنیم میزان انقباض ، و ما بهینه از چگالی پیش بینی خلفی را نشان می دهیم. شبیه سازی ها نشان می دهد که مدل های پیشنهادی انتخاب و پیش بینی خوبی دارند عملکرد در نمونه های کوچک ، حتی وقتی ماتریس طراحی ارائه می دهد همبستگی متقابلهنگامی که برای پیش بینی تولید ناخالص داخلی ایالات متحده اعمال می شود ، مجازات ما رگرسیون می تواند از بسیاری از رقبای قوی بهتر عمل کند.نتایج نشان می دهد که متغیرهای مالی ممکن است پیش بینی کننده کوتاه مدت ، گرچه بسیار محدود ، محتوا.

I study a regression model in which one covariate is an unknown function of a latent driver of link formation in a network. Rather than specify and fit a parametric network formation model, I introduce a new method based on matching pairs of agents with similar columns of the squared adjacency matrix, the ijth entry of which contains the number of other agents linked to both agents i and j. The intuition behind this approach is that for a large class of network formation models the columns of the squared adjacency matrix characterize all of the identifiable information about individual linking behavior. In this paper, I describe the model, formalize this intuition, and provide consistent estimators for the parameters of the regression model. Auerbach (2021) considers inference and an application to network peer effects.

من یک مدل رگرسیون را مطالعه می کنم که در آن یک متغیر یک عملکرد ناشناخته از a است درایور نهفته شکل گیری پیوند در یک شبکه.به جای اینکه مشخص و متناسب باشد مدل شکل گیری شبکه پارامتری ، من یک روش جدید را بر اساس تطبیق معرفی می کنم جفت عوامل با ستون های مشابه ماتریس مجاور مربع ، IJth ورود به آنها شامل تعداد سایر عوامل مرتبط با هر دو عامل I و ج.شهود این رویکرد این است که برای یک کلاس بزرگ شبکه مدل های شکل گیری ستون های ماتریس مجاور مربع همه را مشخص می کنند اطلاعات قابل شناسایی در مورد رفتار پیوند دهنده فردی.در این مقاله ، من مدل را شرح می دهم ، این شهود را رسمی می کنم و سازگار می کنم برآوردگرهای پارامترهای مدل رگرسیون.Auerbach (2021) استنباط و کاربردی را برای اثرات همسالان شبکه در نظر می گیرد.

This paper studies a panel data setting where the goal is to estimate causal effects of an intervention by predicting the counterfactual values of outcomes for treated units, had they not received the treatment. Several approaches have been proposed for this problem, including regression methods, synthetic control methods and matrix completion methods. This paper considers an ensemble approach, and shows that it performs better than any of the individual methods in several economic datasets. Matrix completion methods are often given the most weight by the ensemble, but this clearly depends on the setting. We argue that ensemble methods present a fruitful direction for further research in the causal panel data setting.

در این مقاله به یک تنظیم داده های پانل که در آن هدف تخمین علیت است ، مورد بررسی قرار می گیرد تأثیر مداخله با پیش بینی مقادیر ضد عملی نتایج برای واحدهای تحت درمان ، اگر آنها این درمان را دریافت نکردند.چندین رویکرد برای این مشکل پیشنهاد شده است ، از جمله روش های رگرسیون ، کنترل مصنوعی روشها و روشهای تکمیل ماتریس.این مقاله یک گروه را در نظر می گیرد رویکرد ، و نشان می دهد که عملکرد بهتری نسبت به هر یک از روشهای فردی دارد در چندین مجموعه داده اقتصادی.روشهای تکمیل ماتریس اغلب داده می شود بیشترین وزن توسط این گروه ، اما این به وضوح به تنظیم بستگی دارد.ما بحث می کنیم این روش های گروه یک جهت مثمر ثمر برای تحقیقات بیشتر در تنظیم داده های پانل علی.

How can one determine whether a community-level treatment, such as the introduction of a social program or trade shock, alters agents' incentives to form links in a network? This paper proposes analogues of a two-sample Kolmogorov-Smirnov test, widely used in the literature to test the null hypothesis of "no treatment effects", for network data. It first specifies a testing problem in which the null hypothesis is that two networks are drawn from the same random graph model. It then describes two randomization tests based on the magnitude of the difference between the networks' adjacency matrices as measured by the $2\to2$ and $\infty\to1$ operator norms. Power properties of the tests are examined analytically, in simulation, and through two real-world applications. A key finding is that the test based on the $\infty\to1$ norm can be substantially more powerful than that based on the $2\to2$ norm for the kinds of sparse and degree-heterogeneous networks common in economics.

چگونه می توان تعیین کرد که آیا یک درمان در سطح جامعه ، مانند معرفی یک برنامه اجتماعی یا شوک تجاری ، مشوق های نمایندگان را تغییر می دهد پیوندهای فرم در یک شبکه؟در این مقاله آنالوگهای یک نمونه ارائه شده است آزمون Kolmogorov-Smirnov ، که به طور گسترده در ادبیات برای آزمایش تهی استفاده می شود فرضیه "بدون اثرات درمانی" ، برای داده های شبکه.ابتدا یک را مشخص می کند مشکل آزمایش که در آن فرضیه تهی این است که دو شبکه ترسیم شده اند از همان مدل نمودار تصادفی.سپس دو آزمایش تصادفی را توصیف می کند بر اساس میزان تفاوت بین مجاورت شبکه ها ماتریس ها با استفاده از هنجارهای اپراتور $ 2 \ to2 $ و $ \ $ \ to1 $ اندازه گیری می شوند.قدرت خواص آزمون ها به صورت تحلیلی ، در شبیه سازی و از طریق مورد بررسی قرار می گیرند دو برنامه در دنیای واقعی.یک یافته کلیدی این است که آزمون بر اساس $ \ infty \ to1 $ هنجار می تواند از نظر قدرت بسیار قدرتمندتر از آن باشد $ 2 \ $ $ هنجار برای انواع شبکه های پراکنده و درجه متداول در اقتصاد

This paper studies a regularized support function estimator for bounds on components of the parameter vector in the case in which the identified set is a polygon. The proposed regularized estimator has three important properties: (i) it has a uniform asymptotic Gaussian limit in the presence of flat faces in the absence of redundant (or overidentifying) constraints (or vice versa); (ii) the bias from regularization does not enter the first-order limiting distribution;(iii) the estimator remains consistent for sharp identified set for the individual components even in the non-regualar case. These properties are used to construct uniformly valid confidence sets for an element $\theta_{1}$ of a parameter vector $\theta\in\mathbb{R}^{d}$ that is partially identified by affine moment equality and inequality conditions. The proposed confidence sets can be computed as a solution to a small number of linear and convex quadratic programs, which leads to a substantial decrease in computation time and guarantees a global optimum. As a result, the method provides uniformly valid inference in applications in which the dimension of the parameter space, $d$, and the number of inequalities, $k$, were previously computationally unfeasible ($d,k=100$). The proposed approach can be extended to construct confidence sets for intersection bounds, to construct joint polygon-shaped confidence sets for multiple components of $\theta$, and to find the set of solutions to a linear program. Inference for coefficients in the linear IV regression model with an interval outcome is used as an illustrative example.

در این مقاله یک برآوردگر عملکرد پشتیبانی منظم برای مرزها بررسی می شود اجزای بردار پارامتر در موردی که در آن مجموعه مشخص شده A است چند ضلعی.برآوردگر منظم پیشنهادی دارای سه ویژگی مهم است: (من) در حضور چهره های مسطح در آن محدودیت یکنواخت گاوسی است عدم وجود محدودیت های اضافی (یا بیش از حد شناسایی) (یا برعکس) ؛(ب) تعصب از تنظیم مجدد وارد محدودیت مرتبه اول نمی شود توزیع ؛ (iii) برآوردگر برای مجموعه مشخص شده تیز سازگار است برای مؤلفه های فردی حتی در مورد غیرقانونی.این خصوصیات برای ساختن مجموعه های اعتماد به نفس یکنواخت معتبر برای یک عنصر استفاده می شود $ \ theta_ {1} $ یک بردار پارامتر $ \ theta \ in \ mathbb {r}^{d} $ که تا حدی است مشخص شده توسط شرایط برابری لحظه ای و نابرابری.پیشنهاد مجموعه های اعتماد به نفس را می توان به عنوان راه حلی برای تعداد کمی از خطی محاسبه کرد و برنامه های درجه دوم محدب ، که منجر به کاهش قابل توجهی در محاسبات می شود زمان و تضمین یک بهینه جهانی.در نتیجه ، این روش ارائه می دهد استنباط یکنواخت معتبر در برنامه هایی که در آن ابعاد فضای پارامتر ، $ D $ و تعداد نابرابری ها ، $ $ $ قبلاً بود از نظر محاسباتی غیر ممکن ($ d ، k = 100 $).رویکرد پیشنهادی قابل گسترش است برای ساختن مجموعه های اعتماد به نفس برای مرزهای تقاطع ، برای ساخت مفصل اعتماد به نفس چند ضلعی برای چندین مؤلفه $ \ theta $ ، و برای یافتن مجموعه راه حل های یک برنامه خطی.استنتاج برای ضرایب در مدل رگرسیون IV خطی با نتیجه فاصله به عنوان یک مصور استفاده می شود مثال.

Three-dimensional panel models are widely used in empirical analysis. Researchers use various combinations of fixed effects for three-dimensional panels. When one imposes a parsimonious model and the true model is rich, then it incurs mis-specification biases. When one employs a rich model and the true model is parsimonious, then it incurs larger standard errors than necessary. It is therefore useful for researchers to know correct models. In this light, Lu, Miao, and Su (2018) propose methods of model selection. We advance this literature by proposing a method of post-selection inference for regression parameters. Despite our use of the lasso technique as means of model selection, our assumptions allow for many and even all fixed effects to be nonzero. Simulation studies demonstrate that the proposed method is more precise than under-fitting fixed effect estimators, is more efficient than over-fitting fixed effect estimators, and allows for as accurate inference as the oracle estimator.

مدل های پانل سه بعدی به طور گسترده در تجزیه و تحلیل تجربی استفاده می شوند. محققان از ترکیبات مختلف اثرات ثابت برای سه بعدی استفاده می کنند پانل هاوقتی کسی یک مدل پارسا را تحمیل می کند و مدل واقعی غنی است ، پس این تعصبات مشخص شده را متحمل می شود.وقتی یکی از یک مدل غنی و واقعی استفاده می کند مدل پارسیمونی است ، سپس خطاهای استاندارد بزرگتر از حد لازم را متحمل می شود.آی تی بنابراین برای محققان برای دانستن مدل های صحیح مفید است.در این نور ، لو ، Miao ، and Su (2018) روش های انتخاب مدل را پیشنهاد می کنند.ما این را پیش می بریم ادبیات با ارائه روشی برای استنباط پس از انتخابات برای رگرسیون مولفه های.با وجود استفاده ما از تکنیک Lasso به عنوان وسیله انتخاب مدل ، فرضیات ما باعث می شود بسیاری و حتی تمام جلوه های ثابت غیرمستقیم باشند. مطالعات شبیه سازی نشان می دهد که روش پیشنهادی دقیق تر از است برآوردگرهای اثر ثابت زیر ، کارآمدتر از بیش از حد مناسب است برآوردگرهای اثر ثابت ، و به همان اندازه استنباط دقیق به عنوان اوراکل امکان پذیر است برآوردگر

We propose a framework for analyzing the sensitivity of counterfactuals to parametric assumptions about the distribution of latent variables in structural models. In particular, we derive bounds on counterfactuals as the distribution of latent variables spans nonparametric neighborhoods of a given parametric specification while other "structural" features of the model are maintained. Our approach recasts the infinite-dimensional problem of optimizing the counterfactual with respect to the distribution of latent variables (subject to model constraints) as a finite-dimensional convex program. We also develop an MPEC version of our method to further simplify computation in models with endogenous parameters (e.g., value functions) defined by equilibrium constraints. We propose plug-in estimators of the bounds and two methods for inference. We also show that our bounds converge to the sharp nonparametric bounds on counterfactuals as the neighborhood size becomes large. To illustrate the broad applicability of our procedure, we present empirical applications to matching models with transferable utility and dynamic discrete choice models.

ما چارچوبی را برای تجزیه و تحلیل حساسیت به خلاف واقع به فرضیات پارامتری در مورد توزیع متغیرهای نهفته در ساختاری مدل ها.به طور خاص ، ما به عنوان توزیع مرزها را به صورت متقابل به دست می آوریم متغیرهای نهفته محله های غیرپارامتری یک پارامتری داده شده مشخصات در حالی که سایر ویژگی های "ساختاری" مدل حفظ می شود. رویکرد ما مشکل بعدی نامتناهی بهینه سازی را پس می گیرد ضد خلاف با توجه به توزیع متغیرهای نهفته (منوط به محدودیت های مدل) به عنوان یک برنامه محدب با ابعاد محدود.ما همچنین توسعه می دهیم نسخه MPEC روش ما برای ساده تر محاسبات در مدل ها پارامترهای درون زا (به عنوان مثال ، توابع مقدار) تعریف شده توسط تعادل محدودیت ها.ما برآوردگرهای افزونه ای از مرزها و دو روش را پیشنهاد می کنیم استنتاجما همچنین نشان می دهیم که مرزهای ما به غیرپارامتری تیز همگرا می شوند مرزهای پیشخوان ها به عنوان اندازه محله بزرگ می شود.برای نشان دادن کاربرد گسترده رویه ما ، ما برنامه های تجربی را ارائه می دهیم مدل های تطبیق با ابزار قابل انتقال و مدل های انتخابی گسسته پویا.

Models with a discrete endogenous variable are typically underidentified when the instrument takes on too few values. This paper presents a new method that matches pairs of covariates and instruments to restore point identification in this scenario in a triangular model. The model consists of a structural function for a continuous outcome and a selection model for the discrete endogenous variable. The structural outcome function must be continuous and monotonic in a scalar disturbance, but it can be nonseparable. The selection model allows for unrestricted heterogeneity. Global identification is obtained under weak conditions. The paper also provides estimators of the structural outcome function. Two empirical examples of the return to education and selection into Head Start illustrate the value and limitations of the method.

مدلهایی با متغیر درون زا گسسته معمولاً در صورت عدم شناسایی ابزار مقادیر کمی را به خود اختصاص می دهد.در این مقاله روشی جدید ارائه شده است که برای بازگرداندن شناسایی نقطه در جفت های متغیرهای متغیر و ساز این سناریو در یک مدل مثلثی.این مدل از یک ساختاری تشکیل شده است عملکرد یک نتیجه مداوم و یک مدل انتخاب برای گسسته متغیر درون زا.عملکرد نتیجه ساختاری باید مداوم باشد و یکنواخت در یک اختلال در مقیاس ، اما می تواند غیرقابل تفکیک باشد.انتخاب مدل امکان ناهمگونی نامحدود را فراهم می کند.شناسایی جهانی به دست می آید در شرایط ضعیفاین مقاله همچنین برآوردگرهای ساختاری را ارائه می دهد عملکرد نتیجهدو نمونه تجربی از بازگشت به آموزش و انتخاب در شروع سر ، مقدار و محدودیت های روش را نشان می دهد.

Empirical economists are often deterred from the application of fixed effects binary choice models mainly for two reasons: the incidental parameter problem and the computational challenge even in moderately large panels. Using the example of binary choice models with individual and time fixed effects, we show how both issues can be alleviated by combining asymptotic bias corrections with computational advances. Because unbalancedness is often encountered in applied work, we investigate its consequences on the finite sample properties of various (bias corrected) estimators. In simulation experiments we find that analytical bias corrections perform particularly well, whereas split-panel jackknife estimators can be severely biased in unbalanced panels.

اقتصاددانان تجربی غالباً از استفاده از اثرات ثابت دوری می شوند مدل های انتخاب باینری عمدتا به دو دلیل: مشکل پارامتر حادثه ای و چالش محاسباتی حتی در پانل های نسبتاً بزرگ.با استفاده از نمونه ای از مدل های انتخاب باینری با جلوه های ثابت فردی و زمان ، ما نشان می دهیم چگونه می توان هر دو موضوع را با ترکیب اصلاحات تعصب بدون علامت با هم کاهش داد پیشرفت های محاسباتی.زیرا نامتوازن اغلب در کاربردی مشاهده می شود کار ، ما عواقب آن را در مورد خصوصیات نمونه محدود بررسی می کنیم برآوردگرهای مختلف (تعصب اصلاح شده).در آزمایش های شبیه سازی متوجه می شویم اصلاحات تعصب تحلیلی به ویژه به خوبی عمل می کند ، در حالی که پانل تقسیم شده است برآوردگرهای jackknife می توانند در پانل های نامتعادل به شدت مغرضانه باشند.

This article proposes inference procedures for distribution regression models in duration analysis using randomly right-censored data. This generalizes classical duration models by allowing situations where explanatory variables' marginal effects freely vary with duration time. The article discusses applications to testing uniform restrictions on the varying coefficients, inferences on average marginal effects, and others involving conditional distribution estimates. Finite sample properties of the proposed method are studied by means of Monte Carlo experiments. Finally, we apply our proposal to study the effects of unemployment benefits on unemployment duration.

در این مقاله روشهای استنباط برای مدل های رگرسیون توزیع ارائه شده است در تجزیه و تحلیل مدت زمان با استفاده از داده های سانسور شده به طور تصادفی راست.این تعمیم می یابد مدل های طول کلاسیک با اجازه موقعیت هایی که متغیرهای توضیحی " اثرات حاشیه ای آزادانه با مدت زمان متفاوت است.مقاله مورد بحث قرار می گیرد برنامه های کاربردی برای آزمایش محدودیت های یکنواخت بر روی ضرایب مختلف ، استنتاج به طور متوسط اثرات حاشیه ای ، و سایر موارد مشروط برآورد توزیعخصوصیات نمونه محدود روش پیشنهادی است با استفاده از آزمایش های مونت کارلو مورد مطالعه قرار گرفت.سرانجام ، ما پیشنهاد خود را به اثرات مزایای بیکاری را بر مدت بیکاری بررسی کنید.

Internet finance is a new financial model that applies Internet technology to payment, capital borrowing and lending and transaction processing. In order to study the internal risks, this paper uses the Internet financial risk elements as the network node to construct the complex network of Internet financial risk system. Different from the study of macroeconomic shocks and financial institution data, this paper mainly adopts the perspective of complex system to analyze the systematic risk of Internet finance. By dividing the entire financial system into Internet financial subnet, regulatory subnet and traditional financial subnet, the paper discusses the relationship between contagion and contagion among different risk factors, and concludes that risks are transmitted externally through the internal circulation of Internet finance, thus discovering potential hidden dangers of systemic risks. The results show that the nodes around the center of the whole system are the main objects of financial risk contagion in the Internet financial network. In addition, macro-prudential regulation plays a decisive role in the control of the Internet financial system, and points out the reasons why the current regulatory measures are still limited. This paper summarizes a research model which is still in its infancy, hoping to open up new prospects and directions for us to understand the cascading behaviors of Internet financial risks.

امور مالی اینترنت یک مدل مالی جدید است که از فناوری اینترنت استفاده می کند پرداخت ، وام سرمایه و وام و پردازش معاملات.به منظور. واسه اینکه. برای اینکه خطرات داخلی را مطالعه کنید ، این مقاله از عناصر ریسک مالی اینترنت استفاده می کند به عنوان گره شبکه برای ساخت شبکه پیچیده ریسک مالی اینترنت سیستم.متفاوت از مطالعه شوکهای کلان اقتصادی و مالی داده های موسسه ، این مقاله عمدتاً چشم انداز سیستم پیچیده را اتخاذ می کند خطر سیستماتیک تأمین مالی اینترنت را تجزیه و تحلیل کنید.با تقسیم کل سیستم مالی به زیر شبکه مالی اینترنت ، زیر شبکه نظارتی و زیر شبکه مالی سنتی ، مقاله در مورد رابطه بین مسری و مسری در بین عوامل خطر مختلف ، و نتیجه گیری می کند که خطر دارد از طریق گردش داخلی اینترنت به خارج منتقل می شوند امور مالی ، بنابراین خطرات پنهان بالقوه خطرات سیستمیک را کشف می کند.در نتایج نشان می دهد که گره های اطراف مرکز کل سیستم اصلی هستند اشیاء آلودگی ریسک مالی در شبکه مالی اینترنت.که در علاوه بر این ، آیین نامه کلان پیشگیرانه نقش تعیین کننده ای در کنترل دارد سیستم مالی اینترنت ، و دلایل فعلی را بیان می کند اقدامات نظارتی هنوز محدود است.این مقاله یک مدل تحقیق را خلاصه می کند که هنوز در مراحل ابتدایی خود است ، به امید اینکه چشم انداز و مسیرهای جدیدی را باز کند برای اینکه ما رفتارهای آبشار خطرات مالی اینترنت را درک کنیم.

We develop a dynamic model of discrete choice that incorporates peer effects into random consideration sets. We characterize the equilibrium behavior and study the empirical content of the model. In our setup, changes in the choices of friends affect the distribution of the consideration sets. We exploit this variation to recover the ranking of preferences, attention mechanisms, and network connections. These nonparametric identification results allow unrestricted heterogeneity across people and do not rely on the variation of either covariates or the set of available options. Our methodology leads to a maximum-likelihood estimator that performs well in simulations. We apply our results to an experimental dataset that has been designed to study the visual focus of attention.

ما یک مدل پویا از انتخاب گسسته ایجاد می کنیم که شامل اثرات همسالان است به مجموعه های توجه تصادفی.ما رفتار تعادل را توصیف می کنیم و محتوای تجربی مدل را مطالعه کنید.در تنظیم ما ، تغییر در گزینه ها دوستان در توزیع مجموعه های ملاحظه تأثیر می گذارند.ما از این سوءاستفاده می کنیم تنوع برای بازیابی رتبه ترجیحات ، مکانیسم های توجه و اتصالات شبکه.این نتایج شناسایی غیرپارامتری امکان پذیر است ناهمگونی بدون محدودیت در بین مردم و به تنوع متکی نیست یا همبستگی یا مجموعه گزینه های موجود.روش ما به یک برآوردگر حداکثر احتمال که در شبیه سازی ها عملکرد خوبی داشته باشد.ما خود را اعمال می کنیم نتایج به یک مجموعه داده آزمایشی که برای مطالعه بصری طراحی شده است تمرکز توجه.

In multinomial response models, idiosyncratic variations in the indirect utility are generally modeled using Gumbel or normal distributions. This study makes a strong case to substitute these thin-tailed distributions with a t-distribution. First, we demonstrate that a model with a t-distributed error kernel better estimates and predicts preferences, especially in class-imbalanced datasets. Our proposed specification also implicitly accounts for decision-uncertainty behavior, i.e. the degree of certainty that decision-makers hold in their choices relative to the variation in the indirect utility of any alternative. Second, after applying a t-distributed error kernel in a multinomial response model for the first time, we extend this specification to a generalized continuous-multinomial (GCM) model and derive its full-information maximum likelihood estimator. The likelihood involves an open-form expression of the cumulative density function of the multivariate t-distribution, which we propose to compute using a combination of the composite marginal likelihood method and the separation-of-variables approach. Third, we establish finite sample properties of the GCM model with a t-distributed error kernel (GCM-t) and highlight its superiority over the GCM model with a normally-distributed error kernel (GCM-N) in a Monte Carlo study. Finally, we compare GCM-t and GCM-N in an empirical setting related to preferences for electric vehicles (EVs). We observe that accounting for decision-uncertainty behavior in GCM-t results in lower elasticity estimates and a higher willingness to pay for improving the EV attributes than those of the GCM-N model. These differences are relevant in making policies to expedite the adoption of EVs.

در مدلهای پاسخ چندمجمی ، تغییرات خاص در غیر مستقیم ابزار به طور کلی با استفاده از توزیع های Gumbel یا Normal مدل سازی می شود.این مطالعه یک مورد قوی برای جایگزینی این توزیع های نازک با یک توزیع Tاول ، ما نشان می دهیم که یک مدل با خطای توزیع شده T هسته تخمین ها را بهتر و پیش بینی می کند ، به خصوص در مجموعه داده های کلاس متعادل.مشخصات پیشنهادی ما نیز به طور ضمنی حساب می کند برای تصمیم گیری در مورد تصمیم گیری ، یعنی درجه یقین که تصمیم گیرندگان نسبت به تغییر در غیرمستقیم در انتخاب خود انتخاب می کنند ابزار هر گزینه ای.دوم ، پس از استفاده از هسته خطای T- توزیع شده در یک مدل پاسخ چندمجمی برای اولین بار ، ما این را گسترش می دهیم مشخصات به یک مدل مداوم و مداوم (GCM) تعمیم یافته و مشتق شده است برآوردگر حداکثر احتمال آن.احتمال شامل یک بیان شکل باز از عملکرد چگالی تجمعی چند متغیره توزیع T ، که ما پیشنهاد می کنیم با استفاده از ترکیبی از روش احتمال حاشیه کامپوزیت و رویکرد جداسازی متغیرها. سوم ، ما خواص نمونه محدود مدل GCM را با a ایجاد می کنیم هسته خطای T- توزیع شده (GCM-T) و برتری آن نسبت به GCM را برجسته می کند مدل با یک هسته خطای معمولاً توزیع شده (GCM-N) در یک مطالعه مونت کارلو. سرانجام ، ما GCM-T و GCM-N را در یک محیط تجربی مرتبط با آن مقایسه می کنیم ترجیحات مربوط به وسایل نقلیه برقی (EV).ما آن حسابداری را مشاهده می کنیم رفتار عدم اطمینان در GCM-T منجر به تخمین کشش کمتر می شود و تمایل بالاتر برای پرداخت هزینه برای بهبود ویژگی های EV نسبت به موارد مدل GCM-N.این اختلافات در ساختن سیاست هایی برای تسریع مرتبط است تصویب EVS.

Currently all countries including developing countries are expected to utilize their own tax revenues and carry out their own development for solving poverty in their countries. However, developing countries cannot earn tax revenues like developed countries partly because they do not have effective countermeasures against international tax avoidance. Our analysis focuses on treaty shopping among various ways to conduct international tax avoidance because tax revenues of developing countries have been heavily damaged through treaty shopping. To analyze the location and sector of conduit firms likely to be used for treaty shopping, we constructed a multilayer ownership-tax network and proposed multilayer centrality. Because multilayer centrality can consider not only the value owing in the ownership network but also the withholding tax rate, it is expected to grasp precisely the locations and sectors of conduit firms established for the purpose of treaty shopping. Our analysis shows that firms in the sectors of Finance & Insurance and Wholesale & Retail trade etc. are involved with treaty shopping. We suggest that developing countries make a clause focusing on these sectors in the tax treaties they conclude.

در حال حاضر انتظار می رود همه کشورها از جمله کشورهای در حال توسعه از درآمدهای مالیاتی خود استفاده کرده و توسعه خود را برای حل انجام می دهند فقر در کشورهایشان.با این حال ، کشورهای در حال توسعه نمی توانند مالیات کسب کنند درآمدهایی مانند کشورهای توسعه یافته تا حدی به دلیل اینکه مؤثر نیستند اقدامات متقابل در برابر جلوگیری از مالیات بین المللی.تجزیه و تحلیل ما بر روی خرید پیمان در میان راه های مختلف برای جلوگیری از مالیات بین المللی زیرا درآمدهای مالیاتی کشورهای در حال توسعه به شدت آسیب دیده است خرید پیمانبرای تجزیه و تحلیل مکان و بخش شرکتهای مجرای احتمالاً برای خرید پیمان مورد استفاده قرار می گیرد ، ما یک شبکه مالیاتی چند لایه ساختیم و مرکزیت چند لایه پیشنهادی.زیرا مرکزیت چند لایه می تواند در نظر بگیرد نه تنها ارزش موجود در شبکه مالکیت بلکه مالیات نگهدارنده نرخ ، انتظار می رود دقیقاً مکان ها و بخش های مجرای را درک کند شرکت هایی که به منظور خرید پیمان تأسیس شده اند.تحلیل ما نشان می دهد که شرکت های بخش های دارایی و بیمه و عمده فروشی و خرده فروشی و غیره درگیر خرید پیمان هستند.ما پیشنهاد می کنیم که کشورهای در حال توسعه بند با تمرکز بر این بخش ها در معاهدات مالیاتی که نتیجه می گیرند.

This paper considers generalized least squares (GLS) estimation for linear panel data models. By estimating the large error covariance matrix consistently, the proposed feasible GLS (FGLS) estimator is more efficient than the ordinary least squares (OLS) in the presence of heteroskedasticity, serial, and cross-sectional correlations. To take into account the serial correlations, we employ the banding method. To take into account the cross-sectional correlations, we suggest to use the thresholding method. We establish the limiting distribution of the proposed estimator. A Monte Carlo study is considered. The proposed method is applied to an empirical application.

در این مقاله تخمین حداقل مربعات عمومی (GLS) برای خطی در نظر گرفته شده است مدل های داده پانل.با تخمین ماتریس کواریانس خطای بزرگ به طور مداوم ، برآوردگر GLS (FGLS) پیشنهادی پیشنهادی کارآمدتر از حداقل مربعات معمولی (OLS) در حضور ناهمگونی ، سریال ، و همبستگی های مقطعیبرای در نظر گرفتن همبستگی های سریال ، ما از روش باند استفاده می کنیم.برای در نظر گرفتن مقطعی همبستگی ، ما پیشنهاد می کنیم از روش آستانه استفاده کنید.ما تعیین می کنیم محدود کننده توزیع برآوردگر پیشنهادی.یک مطالعه مونت کارلو است در نظر گرفته شده.روش پیشنهادی برای یک برنامه تجربی اعمال می شود.

We study identification in nonparametric regression models with a misclassified and endogenous binary regressor when an instrument is correlated with misclassification error. We show that the regression function is nonparametrically identified if one binary instrument variable and one binary covariate satisfy the following conditions. The instrumental variable corrects endogeneity; the instrumental variable must be correlated with the unobserved true underlying binary variable, must be uncorrelated with the error term in the outcome equation, but is allowed to be correlated with the misclassification error. The covariate corrects misclassification; this variable can be one of the regressors in the outcome equation, must be correlated with the unobserved true underlying binary variable, and must be uncorrelated with the misclassification error. We also propose a mixture-based framework for modeling unobserved heterogeneous treatment effects with a misclassified and endogenous binary regressor and show that treatment effects can be identified if the true treatment effect is related to an observed regressor and another observable variable.

ما شناسایی را در مدلهای رگرسیون غیر پارامتری با a مطالعه می کنیم رگرسور باینری نادرست طبقه بندی شده و درون زا در هنگام همبستگی یک ساز با خطای نادرست طبقه بندیما نشان می دهیم که عملکرد رگرسیون است به طور غیر پارامتری مشخص می شود که آیا یک متغیر ابزار باینری و یک باینری متغیرهای متغیر شرایط زیر را برآورده می کنند.متغیر ابزاری تصحیح می کند درون زا ؛متغیر ابزاری باید با غیرقانونی ارتباط داشته باشد متغیر باینری اساسی واقعی ، باید با اصطلاح خطا در ارتباط نباشد معادله نتیجه ، اما مجاز به همبستگی با خطای طبقه بندی نادرست.متغیرهای متغیر طبقه بندی نادرست را تصحیح می کند.این متغیر می تواند یکی از رگرسیونرها در معادله نتیجه باشد ، باید باشد در ارتباط با متغیر باینری زیرین واقعی بدون محافظت ، و باید باشد با خطای نادرست طبقه بندی نشده است.ما همچنین یک مخلوط مبتنی بر آن را پیشنهاد می کنیم چارچوبی برای مدل سازی اثرات درمانی ناهمگن بدون نظارت با رگرسور باینری نادرست طبقه بندی شده و درون زا و نشان می دهد که اثرات درمانی می توان مشخص کرد که آیا اثر درمانی واقعی مربوط به مشاهده شده است رگرسیون و متغیر قابل مشاهده دیگر.

In matched-pairs experiments in which one cluster per pair of clusters is assigned to treatment, to estimate treatment effects, researchers often regress their outcome on a treatment indicator and pair fixed effects, clustering standard errors at the unit-ofrandomization level. We show that even if the treatment has no effect, a 5%-level t-test based on this regression will wrongly conclude that the treatment has an effect up to 16.5% of the time. To fix this problem, researchers should instead cluster standard errors at the pair level. Using simulations, we show that similar results apply to clustered experiments with small strata.

در آزمایش های همسان که در آن یک خوشه در هر جفت خوشه قرار دارد محققان غالباً به درمان ، برای برآورد اثرات درمانی اختصاص داده شده اند. نتیجه آنها در یک شاخص درمانی و اثرات ثابت جفت ، خوشه بندی خطاهای استاندارد در سطح واحد سازی.ما نشان می دهیم که حتی اگر درمان هیچ تاثیری ندارد ، یک آزمون t 5 ٪ بر اساس این رگرسیون به اشتباه نتیجه می گیریم که درمان تا 5/16 درصد از زمان تأثیر دارد.به این مشکل را برطرف کنید ، محققان باید در عوض خطاهای استاندارد را در سطح جفتبا استفاده از شبیه سازی ها ، ما نشان می دهیم که نتایج مشابهی برای خوشه ای اعمال می شود آزمایشات با اقشار کوچک.

We propose the use of indirect inference estimation to conduct inference in complex locally stationary models. We develop a local indirect inference algorithm and establish the asymptotic properties of the proposed estimator. Due to the nonparametric nature of locally stationary models, the resulting indirect inference estimator exhibits nonparametric rates of convergence. We validate our methodology with simulation studies in the confines of a locally stationary moving average model and a new locally stationary multiplicative stochastic volatility model. Using this indirect inference methodology and the new locally stationary volatility model, we obtain evidence of non-linear, time-varying volatility trends for monthly returns on several Fama-French portfolios.

ما استفاده از تخمین استنتاج غیرمستقیم را برای انجام استنتاج در مدلهای پیچیده محلی.ما یک استنباط غیرمستقیم محلی ایجاد می کنیم الگوریتم و خصوصیات بدون علامت برآوردگر پیشنهادی را تعیین کنید. با توجه به ماهیت غیرپارامتری مدلهای محلی ثابت ، نتیجه برآوردگر استنتاج غیرمستقیم میزان غیر پارامتری همگرایی را نشان می دهد.ما روش ما را با مطالعات شبیه سازی در محدوده یک محلی تأیید کنید مدل متوسط متحرک ثابت و یک ضرب محلی جدید ثابت مدل نوسانات تصادفی.با استفاده از این روش استنتاج غیرمستقیم و مدل جدید نوسانات ثابت محلی ، ما شواهدی از غیرخطی به دست می آوریم ، روند نوسانات متغیر زمان برای بازده ماهانه در چندین FAMA-FRENCH اوراق بهادار

In a nonparametric instrumental regression model, we strengthen the conventional moment independence assumption towards full statistical independence between instrument and error term. This allows us to prove identification results and develop estimators for a structural function of interest when the instrument is discrete, and in particular binary. When the regressor of interest is also discrete with more mass points than the instrument, we state straightforward conditions under which the structural function is partially identified, and give modified assumptions which imply point identification. These stronger assumptions are shown to hold outside of a small set of conditional moments of the error term. Estimators for the identified set are given when the structural function is either partially or point identified. When the regressor is continuously distributed, we prove that if the instrument induces a sufficiently rich variation in the joint distribution of the regressor and error term then point identification of the structural function is still possible. This approach is relatively tractable, and under some standard conditions we demonstrate that our point identifying assumption holds on a topologically generic set of density functions for the joint distribution of regressor, error, and instrument. Our method also applies to a well-known nonparametric quantile regression framework, and we are able to state analogous point identification results in that context.

در یک مدل رگرسیون ابزاری غیر پارامتری ، ما تقویت می کنیم فرض استقلال لحظه متعارف نسبت به آماری کامل استقلال بین ابزار و اصطلاح خطا.این به ما اجازه می دهد تا ثابت کنیم نتایج شناسایی و توسعه برآوردگرها برای عملکرد ساختاری علاقه هنگامی که ساز گسسته و به ویژه باینری است.وقتی که رگرسور علاقه نیز با امتیازات انبوه بیشتر از آن گسسته است ابزار ، ما شرایط ساده ای را بیان می کنیم که تحت آن ساختاری است عملکرد تا حدی شناسایی شده است ، و فرضیات اصلاح شده ای را ارائه می دهد که دلالت دارد شناسایی نقطهاین فرضیات قوی تر نشان داده شده است که در خارج از مجموعه کوچکی از لحظات مشروط از اصطلاح خطا.برآوردگرها برای مجموعه مشخص شده هنگامی داده می شود که عملکرد ساختاری یا جزئی باشد یا نقطه مشخص شدهوقتی رگرسیون به طور مداوم توزیع می شود ، ما این را اثبات می کنیم اگر ابزار باعث ایجاد تنوع به اندازه کافی غنی در مفصل شود توزیع رگرسور و مدت خطا و سپس شناسایی نقطه از عملکرد ساختاری هنوز هم امکان پذیر است.این رویکرد نسبتاً قابل ردیابی است ، و در برخی شرایط استاندارد نشان می دهیم که نقطه ما مشخص می شود فرض در مجموعه ای از توابع چگالی از نظر توپولوژیکی برای توزیع مشترک رگرسیون ، خطا و ابزار.روش ما نیز اعمال می شود به یک چارچوب رگرسیون کمی غیرپارامتری مشهور ، و ما قادر به نتایج شناسایی نقطه مشابه در این زمینه نتیجه می گیرد.

We consider the asymptotic properties of the Synthetic Control (SC) estimator when both the number of pre-treatment periods and control units are large. If potential outcomes follow a linear factor model, we provide conditions under which the factor loadings of the SC unit converge in probability to the factor loadings of the treated unit. This happens when there are weights diluted among an increasing number of control units such that a weighted average of the factor loadings of the control units asymptotically reconstructs the factor loadings of the treated unit. In this case, the SC estimator is asymptotically unbiased even when treatment assignment is correlated with time-varying unobservables. This result can be valid even when the number of control units is larger than the number of pre-treatment periods.

ما خواص بدون علامت برآوردگر کنترل مصنوعی (SC) را در نظر می گیریم هنگامی که هر دو تعداد دوره های قبل از درمان و واحدهای کنترل بزرگ هستند.اگر نتایج بالقوه از یک مدل فاکتور خطی پیروی می کند ، ما شرایط را ارائه می دهیم که بارهای عاملی واحد SC در احتمال به عامل همگرا می شوند بارهای واحد تحت درمان.این اتفاق می افتد هنگامی که وزنهای رقیق شده در بین تعداد فزاینده ای از واحدهای کنترل به گونه ای که میانگین وزنی بارگذاری عاملی واحدهای کنترل به صورت مجانبی عامل را بازسازی می کند بارهای واحد تحت درمان.در این حالت ، برآوردگر SC به صورت بدون علامت است بی طرفانه حتی اگر تکلیف درمانی با متغیر زمان همبستگی داشته باشد محجوباین نتیجه حتی در صورت تعداد واحدهای کنترل می تواند معتبر باشد بزرگتر از تعداد دوره های قبل از درمان است.

We study the association between physical appearance and family income using a novel data which has 3-dimensional body scans to mitigate the issue of reporting errors and measurement errors observed in most previous studies. We apply machine learning to obtain intrinsic features consisting of human body and take into account a possible issue of endogenous body shapes. The estimation results show that there is a significant relationship between physical appearance and family income and the associations are different across the gender. This supports the hypothesis on the physical attractiveness premium and its heterogeneity across the gender.

ما ارتباط بین ظاهر جسمی و درآمد خانواده را با استفاده از آن مطالعه می کنیم داده های جدیدی که دارای اسکن بدن 3 بعدی برای کاهش مسئله است خطاهای گزارش دهی و خطاهای اندازه گیری مشاهده شده در بیشتر مطالعات قبلی.ما از یادگیری ماشین استفاده کنید تا ویژگی های ذاتی متشکل از بدن انسان را بدست آورید و مسئله احتمالی شکل بدن درون زا را در نظر بگیرید.در نتایج تخمین نشان می دهد که بین رابطه معنی داری وجود دارد ظاهر فیزیکی و درآمد خانواده و انجمن ها در سراسر متفاوت است جنسیت.این فرضیه در مورد حق بیمه جذابیت بدنی را پشتیبانی می کند و ناهمگونی آن در سراسر جنس.

This paper considers estimation of large dynamic factor models with common and idiosyncratic trends by means of the Expectation Maximization algorithm, implemented jointly with the Kalman smoother. We show that, as the cross-sectional dimension $n$ and the sample size $T$ diverge to infinity, the common component for a given unit estimated at a given point in time is $\min(\sqrt n,\sqrt T)$-consistent. The case of local levels and/or local linear trends trends is also considered. By means of a MonteCarlo simulation exercise, we compare our approach with estimators based on principal component analysis.

در این مقاله تخمین مدل های بزرگ فاکتور پویا با مشترک در نظر گرفته شده است و روندهای احمقانه با استفاده از الگوریتم حداکثر انتظار ، به طور مشترک با Smoother Kalman اجرا شد.ما این را نشان می دهیم ، به عنوان بعد مقطعی $ n $ و اندازه نمونه $ t $ واگرایی به Infinity ، مؤلفه مشترک برای یک واحد معین که در یک نقطه معین تخمین زده می شود $ \ min (\ sqrt n ، \ sqrt t) $-سازگار.مورد سطح محلی و/یا محلی روند روندهای خطی نیز در نظر گرفته شده است.با استفاده از یک شبیه سازی Montecarlo ورزش ، ما رویکرد خود را با برآوردگرها بر اساس مؤلفه اصلی مقایسه می کنیم تحلیل و بررسی.

This paper aims to examine the use of sparse methods to forecast the real, in the chain-linked volume sense, expenditure components of the US and EU GDP in the short-run sooner than the national institutions of statistics officially release the data. We estimate current quarter nowcasts along with 1- and 2-quarter forecasts by bridging quarterly data with available monthly information announced with a much smaller delay. We solve the high-dimensionality problem of the monthly dataset by assuming sparse structures of leading indicators, capable of adequately explaining the dynamics of analyzed data. For variable selection and estimation of the forecasts, we use the sparse methods - LASSO together with its recent modifications. We propose an adjustment that combines LASSO cases with principal components analysis that deemed to improve the forecasting performance. We evaluate forecasting performance conducting pseudo-real-time experiments for gross fixed capital formation, private consumption, imports and exports over the sample of 2005-2019, compared with benchmark ARMA and factor models. The main results suggest that sparse methods can outperform the benchmarks and to identify reasonable subsets of explanatory variables. The proposed LASSO-PC modification show further improvement in forecast accuracy.

این مقاله با هدف بررسی استفاده از روشهای پراکنده برای پیش بینی واقعی ، در حس حجم زنجیره ای ، اجزای هزینه های تولید ناخالص داخلی ایالات متحده و اتحادیه اروپا در کوتاهتر از مؤسسات ملی آمار به طور رسمی داده ها را منتشر کنید.ما سه ماهه فعلی را به همراه 1- و پیش بینی های 2 سه ماهه با پل زدن داده های سه ماهه با ماهانه موجود اطلاعات اعلام شده با تأخیر بسیار کوچکتر.ما حل می کنیم مشکل با ابعاد بالا از مجموعه داده ماهانه با فرض پراکنده ساختارهای شاخص های پیشرو ، قادر به توضیح مناسب پویایی از داده های تجزیه و تحلیل شدهبرای انتخاب متغیر و تخمین پیش بینی ها ، ما از روشهای پراکنده استفاده کنید - Lasso به همراه تغییرات اخیر آن.ما تنظیماتی را ارائه دهید که موارد لاسو را با اجزای اصلی ترکیب کند تجزیه و تحلیل که به نظر می رسد عملکرد پیش بینی را بهبود می بخشد.ما ارزیابی می کنیم پیش بینی عملکرد انجام آزمایشات شبه واقعی برای ناخالص تشکیل سرمایه ، مصرف خصوصی ، واردات و صادرات از طریق نمونه 2005-2019 ، در مقایسه با مدل های معیار ARMA و فاکتور.نتایج اصلی نشان می دهد که روشهای پراکنده می توانند از معیارها بهتر عمل کرده و شناسایی کنند زیر مجموعه های معقول متغیرهای توضیحی.اصلاح Lasso-Pc پیشنهادی بهبود بیشتر در دقت پیش بینی را نشان دهید.

In 2018, allowance prices in the EU Emission Trading Scheme (EU ETS) experienced a run-up from persistently low levels in previous years. Regulators attribute this to a comprehensive reform in the same year, and are confident the new price level reflects an anticipated tighter supply of allowances. We ask if this is indeed the case, or if it is an overreaction of the market driven by speculation. We combine several econometric methods - time-varying coefficient regression, formal bubble detection as well as time stamping and crash odds prediction - to juxtapose the regulators' claim versus the concurrent explanation. We find evidence of a long period of explosive behaviour in allowance prices, starting in March 2018 when the reform was adopted. Our results suggest that the reform triggered market participants into speculation, and question regulators' confidence in its long-term outcome. This has implications for both the further development of the EU ETS, and the long lasting debate about taxes versus emission trading schemes.

در سال 2018 ، قیمت کمک هزینه در طرح معاملات انتشار اتحادیه اروپا (EU ETS) در سالهای گذشته از سطح مداوم پایین برخوردار بود.تنظیم کننده این را به یک اصلاح جامع در همان سال نسبت دهید و با اطمینان هستند سطح قیمت جدید نشان دهنده عرضه سخت تر پیش بینی شده کمک هزینه ها است.ما بپرسید که آیا این واقعاً موردی است یا اینکه بیش از حد واکنش بازار است رانده شده توسط حدس و گمان.ما چندین روش اقتصاد سنجی را با هم ترکیب می کنیم - متغیر زمان رگرسیون ضریب ، تشخیص رسمی حباب و همچنین تمبر زمان و پیش بینی شانس تصادف - برای اضافه کردن ادعای تنظیم کننده ها در مقابل توضیح همزمانما شواهدی از یک دوره طولانی انفجاری پیدا می کنیم رفتار در قیمت های کمک هزینه ، از مارس 2018 هنگامی که اصلاحات آغاز شد اتخاذ شدهنتایج ما نشان می دهد که این اصلاحات باعث شده است که شرکت کنندگان در بازار حدس و گمان ، و اعتماد به نفس تنظیم کننده ها در نتیجه بلند مدت آن.این پیامدهایی برای توسعه بیشتر EU های اتحادیه اروپا و هم طولانی دارد بحث ماندگار در مورد مالیات در مقابل طرح های معاملاتی انتشار.

Many economic studies use shift-share instruments to estimate causal effects. Often, all shares need to fulfil an exclusion restriction, making the identifying assumption strict. This paper proposes to use methods that relax the exclusion restriction by selecting invalid shares. I apply the methods in two empirical examples: the effect of immigration on wages and of Chinese import exposure on employment. In the first application, the coefficient becomes lower and often changes sign, but this is reconcilable with arguments made in the literature. In the second application, the findings are mostly robust to the use of the new methods.

بسیاری از مطالعات اقتصادی برای برآورد اثرات علّی از ابزارهای تقسیم تغییر استفاده می کنند. غالباً ، همه سهام باید محدودیت محرومیت را انجام دهند ، شناسایی فرض دقیق.در این مقاله به استفاده از روش هایی که آرامش دارند محدودیت محرومیت با انتخاب سهام نامعتبر.من روشها را در دو نمونه تجربی: تأثیر مهاجرت بر دستمزد و چینی ها واردات واردات در مورد اشتغال.در اولین برنامه ، ضریب پایین تر می شود و غالباً علامت را تغییر می دهد ، اما این با استدلال قابل سازش است ساخته شده در ادبیات.در برنامه دوم ، یافته ها بیشتر است قوی به استفاده از روشهای جدید.

There is currently an increasing interest in large vector autoregressive (VAR) models. VARs are popular tools for macroeconomic forecasting and use of larger models has been demonstrated to often improve the forecasting ability compared to more traditional small-scale models. Mixed-frequency VARs deal with data sampled at different frequencies while remaining within the realms of VARs. Estimation of mixed-frequency VARs makes use of simulation smoothing, but using the standard procedure these models quickly become prohibitive in nowcasting situations as the size of the model grows. We propose two algorithms that alleviate the computational efficiency of the simulation smoothing algorithm. Our preferred choice is an adaptive algorithm, which augments the state vector as necessary to sample also monthly variables that are missing at the end of the sample. For large VARs, we find considerable improvements in speed using our adaptive algorithm. The algorithm therefore provides a crucial building block for bringing the mixed-frequency VARs to the high-dimensional regime.

در حال حاضر علاقه فزاینده ای به وکتور بزرگ خودجوش وجود دارد مدلهای (VAR).VAR ابزارهای محبوب برای پیش بینی اقتصاد کلان و استفاده از آن است مدل های بزرگتر نشان داده شده است که اغلب توانایی پیش بینی را بهبود می بخشد در مقایسه با مدل های سنتی در مقیاس کوچک.با فرکانس مختلط Vars با داده ها در فرکانسهای مختلف نمونه برداری می شوند در حالی که در قلمرو باقی مانده اند varsبرآورد VAR های فرکانس مختلط از هموار سازی شبیه سازی استفاده می کند ، اما با استفاده از روش استاندارد ، این مدلها به سرعت ممنوع می شوند موقعیت های Nowcasting با افزایش اندازه مدل.ما دو الگوریتم پیشنهاد می کنیم که باعث کاهش کارایی محاسباتی هموار سازی شبیه سازی می شود الگوریتمانتخاب مورد علاقه ما یک الگوریتم تطبیقی است که باعث افزایش می شود وکتور حالت در صورت لزوم برای نمونه برداری از متغیرهای ماهانه که در آن وجود ندارد پایان نمونه.برای VAR های بزرگ ، ما پیشرفت های قابل توجهی در سرعت با استفاده از الگوریتم تطبیقی ما.بنابراین الگوریتم یک امر مهم را ارائه می دهد بلوک ساختمانی برای آوردن VAR های فرکانس مختلط به ابعاد بالا رژیم

We propose a robust method of discrete choice analysis when agents' choice sets are unobserved. Our core model assumes nothing about agents' choice sets apart from their minimum size. Importantly, it leaves unrestricted the dependence, conditional on observables, between choice sets and preferences. We first characterize the sharp identification region of the model's parameters by a finite set of conditional moment inequalities. We then apply our theoretical findings to learn about households' risk preferences and choice sets from data on their deductible choices in auto collision insurance. We find that the data can be explained by expected utility theory with low levels of risk aversion and heterogeneous non-singleton choice sets, and that more than three in four households require limited choice sets to explain their deductible choices. We also provide simulation evidence on the computational tractability of our method in applications with larger feasible sets or higher-dimensional unobserved heterogeneity.

ما یک روش قوی برای تجزیه و تحلیل انتخاب گسسته را هنگام انتخاب نمایندگان پیشنهاد می کنیم مجموعه ها بدون نظارت هستند.مدل اصلی ما چیزی در مورد مجموعه های انتخاب نمایندگان فرض نمی کند جدا از حداقل اندازه آنها.مهمتر از همه ، بدون محدودیت وابستگی ، مشروط به مشاهدات ، بین مجموعه های انتخاب و ترجیحات.ما ابتدا منطقه شناسایی تیز پارامترهای مدل را توسط مجموعه ای محدود از نابرابری های لحظه مشروط.سپس نظری خود را اعمال می کنیم یافته های یادگیری در مورد ترجیحات خطر خانواده ها و مجموعه های انتخابی از داده ها در مورد گزینه های کسر آنها در بیمه برخورد خودرو.ما متوجه می شویم که داده ها می توان با نظریه ابزار مورد انتظار با سطح پایین ریسک توضیح داد و مجموعه های انتخاب ناهمگن غیر سینگلتون ، و این بیش از سه در چهار خانوارها برای توضیح گزینه های کسر خود به مجموعه انتخابی محدود نیاز دارند.ما همچنین شواهد شبیه سازی را در مورد قابلیت محاسبات محاسباتی ما ارائه می دهد روش در برنامه های کاربردی با مجموعه های امکان پذیر بزرگتر یا با ابعاد بالاتر ناهمگونی بدون نظارت.

In this paper we develop a new machine learning estimator for ordered choice models based on the random forest. The proposed Ordered Forest flexibly estimates the conditional choice probabilities while taking the ordering information explicitly into account. In addition to common machine learning estimators, it enables the estimation of marginal effects as well as conducting inference and thus provides the same output as classical econometric estimators. An extensive simulation study reveals a good predictive performance, particularly in settings with non-linearities and near-multicollinearity. An empirical application contrasts the estimation of marginal effects and their standard errors with an ordered logit model. A software implementation of the Ordered Forest is provided both in R and Python in the package orf available on CRAN and PyPI, respectively.

در این مقاله ما یک برآوردگر جدید یادگیری ماشین را برای انتخاب سفارش داده شده توسعه می دهیم مدل های مبتنی بر جنگل تصادفی.جنگل سفارش داده شده انعطاف پذیر احتمال انتخاب مشروط را هنگام گرفتن سفارش تخمین می زند اطلاعات صریحاً در نظر گرفته شده است.علاوه بر یادگیری ماشین مشترک برآوردگرها ، تخمین اثرات حاشیه ای و همچنین انجام آن را امکان پذیر می کند استنباط و بنابراین همان تولید اقتصادی کلاسیک را فراهم می کند برآوردگرهایک مطالعه شبیه سازی گسترده یک پیش بینی خوب را نشان می دهد عملکرد ، به ویژه در تنظیمات با غیر خطی و نزدیک به حرکات.یک برنامه تجربی با تخمین در تضاد است اثرات حاشیه ای و خطاهای استاندارد آنها با یک مدل ورود به سیستم.آ اجرای نرم افزار جنگل سفارش داده شده هم در R و هم در پایتون ارائه می شود به ترتیب در بسته ORF موجود در Cran و PYPI.

This paper provides tests for detecting sample selection in nonparametric conditional quantile functions. The first test is an omitted predictor test with the propensity score as the omitted variable. As with any omnibus test, in the case of rejection we cannot distinguish between rejection due to genuine selection or to misspecification. Thus, we suggest a second test to provide supporting evidence whether the cause for rejection at the first stage was solely due to selection or not. Using only individuals with propensity score close to one, this second test relies on an `identification at infinity' argument, but accommodates cases of irregular identification. Importantly, neither of the two tests requires parametric assumptions on the selection equation nor a continuous exclusion restriction. Data-driven bandwidth procedures are proposed, and Monte Carlo evidence suggests a good finite sample performance in particular of the first test. Finally, we also derive an extension of the first test to nonparametric conditional mean functions, and apply our procedure to test for selection in log hourly wages using UK Family Expenditure Survey data as \citet{AB2017}.

در این مقاله آزمایش هایی برای تشخیص انتخاب نمونه در غیرپارامتری ارائه شده است توابع کمی مشروط.اولین آزمون یک آزمون پیش بینی کننده حذف شده است با نمره گرایش به عنوان متغیر حذف شده.مانند هر تست Omnibus ، در مورد رد ما نمی توانیم بین رد به دلیل واقعی تمایز قائل شویم انتخاب یا برای شناسایی غلط.بنابراین ، ما یک آزمایش دوم را پیشنهاد می کنیم حمایت از شواهد آیا علت رد در مرحله اول بوده است فقط به دلیل انتخاب یا نبودن.فقط با استفاده از افراد با نمره گرایش نزدیک به یک ، این آزمایش دوم به "شناسایی در Infinity" متکی است استدلال ، اما موارد شناسایی نامنظم را در خود جای می دهد.مهمتر ، هیچ یک از این دو آزمایش نیاز به فرضیات پارامتری در انتخاب ندارند معادله و نه محدودیت محرومیت مداوم.پهنای باند محور رویه ها پیشنهاد شده است ، و شواهد مونت کارلو نمونه ای از رنگ محدود را نشان می دهد عملکرد به ویژه در اولین آزمون.سرانجام ، ما نیز به دست می آوریم گسترش اولین آزمون به توابع میانگین مشروط غیرپارامتری ، و روش ما را برای آزمایش برای انتخاب در دستمزدهای ورود به سیستم با استفاده از خانواده انگلستان اعمال کنید داده های بررسی هزینه به عنوان \ citet {AB2017.

Clustering methods such as k-means have found widespread use in a variety of applications. This paper proposes a formal testing procedure to determine whether a null hypothesis of a single cluster, indicating homogeneity of the data, can be rejected in favor of multiple clusters. The test is simple to implement, valid under relatively mild conditions (including non-normality, and heterogeneity of the data in aspects beyond those in the clustering analysis), and applicable in a range of contexts (including clustering when the time series dimension is small, or clustering on parameters other than the mean). We verify that the test has good size control in finite samples, and we illustrate the test in applications to clustering vehicle manufacturers and U.S. mutual funds.

روشهای خوشه بندی مانند K- میانگین استفاده گسترده ای را در انواع مختلفی پیدا کرده است برنامه های کاربردی.در این مقاله یک روش تست رسمی برای تعیین ارائه شده است این که آیا یک فرضیه تهی از یک خوشه واحد ، نشانگر همگن بودن داده ها ، می توانند به نفع چندین خوشه رد شوند.آزمون ساده است پیاده سازی ، در شرایط نسبتاً خفیف (از جمله غیر طبیعی بودن ، و ناهمگونی داده ها در جنبه های فراتر از آنهایی که در تجزیه و تحلیل خوشه بندی هستند) ، و در طیف وسیعی از زمینه ها قابل اجرا است (از جمله خوشه بندی وقتی زمان بعد سری کوچک است ، یا در پارامترهای غیر از میانگین خوشه بندی می شود).ما تأیید کنید که این آزمایش در نمونه های محدود کنترل اندازه خوبی دارد و ما نشان می دهیم آزمایش در برنامه های کاربردی برای خوشه بندی سازندگان وسایل نقلیه و ایالات متحده متقابل منابع مالی.