Datasets:

mabidan

/

econ_paper_abstracts_fa_translation

like 1

We propose a route choice model in which traveler behavior is represented as a utility maximizing assignment of flow across an entire network under a flow conservation constraint}. Substitution between routes depends on how much they overlap. {\tr The model is estimated considering the full set of route alternatives, and no choice set generation is required. Nevertheless, estimation requires only linear regression and is very fast. Predictions from the model can be computed using convex optimization, and computation is straightforward even for large networks. We estimate and validate the model using a large dataset comprising 1,337,096 GPS traces of trips in the Greater Copenhagen road network.

ما یک مدل انتخاب مسیر را پیشنهاد می کنیم که در آن رفتار مسافر به عنوان نمایش داده می شود یک ابزار به حداکثر رساندن تکلیف جریان در کل شبکه تحت یک جریان محدودیت حفاظت}.تعویض بین مسیرها بستگی به میزان آنها دارد همپوشانی{\ tr مدل با توجه به مجموعه کامل مسیر تخمین زده می شود گزینه های دیگر ، و به تولید مجموعه ای انتخابی نیاز نیست.با این اوصاف، تخمین فقط به رگرسیون خطی نیاز دارد و بسیار سریع است.پیش بینی ها از این مدل را می توان با استفاده از بهینه سازی محدب محاسبه کرد و محاسبه است ساده حتی برای شبکه های بزرگ.ما مدل را برآورد و تأیید می کنیم با استفاده از یک مجموعه داده بزرگ شامل 1،337،096 اثر GPS از سفر در بیشتر شبکه جاده کپنهاگ.

When designing eligibility criteria for welfare programs, policymakers naturally want to target the individuals who will benefit the most. This paper proposes two new econometric approaches to selecting an optimal eligibility criterion when individuals' costs to the program are unknown and need to be estimated. One is designed to achieve the highest benefit possible while satisfying a budget constraint with high probability. The other is designed to optimally trade off the benefit and the cost from violating the budget constraint. The setting I consider extends the previous literature on Empirical Welfare Maximization by allowing for uncertainty in estimating the budget needed to implement the criterion, in addition to its benefit. Consequently, my approaches improve the existing approach as they can be applied to settings with imperfect take-up or varying program needs. I illustrate my approaches empirically by deriving an optimal budget-constrained Medicaid expansion in the US.

هنگام طراحی معیارهای واجد شرایط بودن برای برنامه های رفاهی ، سیاستگذاران طبیعتاً می خواهند افرادی را که بیشترین سود را دارند هدف قرار دهند.این کاغذ دو رویکرد جدید اقتصاد سنجی را برای انتخاب واجد شرایط بودن بهینه پیشنهاد می کند معیار هنگامی که هزینه های افراد به برنامه ناشناخته است و نیاز به آن است تخمین زده.یکی برای دستیابی به بالاترین سود ممکن در حالی که در عین حال طراحی شده است رضایت از محدودیت بودجه با احتمال زیاد.دیگری طراحی شده است بهینه از مزایا و هزینه نقض بودجه تجارت کنید محدودیتتنظیماتی که من در نظر می گیرم ادبیات قبلی را در مورد تجربی گسترش می دهد حداکثر رساندن رفاه با اجازه عدم اطمینان در برآورد بودجه علاوه بر سود آن ، برای اجرای معیار نیز لازم است.در نتیجه ، من رویکردها رویکرد موجود را بهبود می بخشند زیرا می توانند در تنظیمات اعمال شوند با نیازهای برنامه ناقص یا برنامه های مختلف.من رویکردهایم را نشان می دهم به صورت تجربی با استخراج بهینه با بودجه محدود شده Medicaid در ما

I show that Holston, Laubach and Williams' (2017) implementation of Median Unbiased Estimation (MUE) cannot recover the signal-to-noise ratio of interest from their Stage 2 model. Moreover, their implementation of the structural break regressions which are used as an auxiliary model in MUE deviates from Stock and Watson's (1998) formulation. This leads to spuriously large estimates of the signal-to-noise parameter $\lambda _{z}$ and thereby an excessive downward trend in other factor $z_{t}$ and the natural rate. I provide a correction to the Stage 2 model specification and the implementation of the structural break regressions in MUE. This correction is quantitatively important. It results in substantially smaller point estimates of $\lambda _{z}$ which affects the severity of the downward trend in other factor $z_{t}$. For the US, the estimate of $\lambda _{z}$ shrinks from $0.040$ to $0.013$ and is statistically highly insignificant. For the Euro Area, the UK and Canada, the MUE point estimates of $\lambda _{z}$ are \emph{exactly} zero. Natural rate estimates from HLW's model using the correct Stage 2 MUE implementation are up to 100 basis points larger than originally computed.

من نشان می دهم که اجرای هولستون ، لوباچ و ویلیامز (2017) اجرای مدیان برآورد بی طرفانه (MUE) نمی تواند نسبت سیگنال به نویز مورد علاقه را بازیابی کند از مدل مرحله 2 آنها.علاوه بر این ، اجرای آنها از ساختاری رگرسیون را که به عنوان یک مدل کمکی در MUE از انحراف از آن استفاده می شود فرمولاسیون سهام و واتسون (1998).این منجر به برآوردهای بسیار ناچیز می شود از پارامتر سیگنال به نویز $ \ lambda _ {z} $ و در نتیجه بیش از حد روند نزولی در عامل دیگر $ z_ {t} $ و نرخ طبیعی.من ارائه می دهم تصحیح مشخصات مدل مرحله 2 و اجرای رگرسیون شکست ساختاری در MUE.این اصلاح از نظر کمی است مهم.این منجر به برآورد نقطه ای قابل ملاحظه کوچکتر از \ lambda $ می شود _ {z} $ که بر شدت روند نزولی در عامل دیگر $ Z_ {t} $ تأثیر می گذارد. برای ایالات متحده ، برآورد $ \ lambda _ {z} $ از 0.040 $ به 0.013 $ $ و از نظر آماری بسیار ناچیز است.برای منطقه یورو ، انگلیس و کانادا ، برآورد Mue Point $ \ lambda _ {z} $ \ emph {دقیقاً} صفر است.نرخ طبیعی برآوردهای مدل HLW با استفاده از اجرای صحیح مرحله 2 به پایان رسیده است به 100 نقطه پایه بزرگتر از آنچه در ابتدا محاسبه شده است.

We conduct a simulation study of Local Projection (LP) and Vector Autoregression (VAR) estimators of structural impulse responses across thousands of data generating processes, designed to mimic the properties of the universe of U.S. macroeconomic data. Our analysis considers various identification schemes and several variants of LP and VAR estimators, employing bias correction, shrinkage, or model averaging. A clear bias-variance trade-off emerges: LP estimators have lower bias than VAR estimators, but they also have substantially higher variance at intermediate and long horizons. Bias-corrected LP is the preferred method if and only if the researcher overwhelmingly prioritizes bias. For researchers who also care about precision, VAR methods are the most attractive -- Bayesian VARs at short and long horizons, and least-squares VARs at intermediate and long horizons.

ما یک مطالعه شبیه سازی از طرح ریزی محلی (LP) و بردار انجام می دهیم برآوردگرهای خودکار (VAR) از پاسخ های تکانه ساختاری در سراسر هزاران فرآیند تولید داده ، طراحی شده برای تقلید از خواص جهان داده های کلان اقتصادی ایالات متحده.تجزیه و تحلیل ما مختلف را در نظر می گیرد طرح های شناسایی و چندین نوع از برآوردگرهای LP و VAR ، استفاده تصحیح تعصب ، انقباض یا میانگین مدل.یک تجارت تعصب روشن و متفاوت ظهور می کند: برآوردگرهای LP نسبت به برآوردگرهای VAR تعصب کمتری دارند ، اما آنها نیز دارند واریانس قابل ملاحظه ای بالاتر در افق های میانی و طولانی.تعصب LP روش ارجح است اگر و فقط اگر محقق با قاطعیت باشد تعصب را در اولویت قرار می دهد.برای محققانی که به دقت ، روشهای VAR نیز اهمیت می دهند جذاب ترین آنها هستند - Vars Bayesian در افق های کوتاه و طولانی ، و حداقل مربعات VAR در افق های متوسط و طولانی.

The fundamental relationship of traffic flow is empirically estimated by fitting a regression curve to a cloud of observations of traffic variables. Such estimates, however, may suffer from the confounding/endogeneity bias due to omitted variables such as driving behaviour and weather. To this end, this paper adopts a causal approach to obtain an unbiased estimate of the fundamental flow-density relationship using traffic detector data. In particular, we apply a Bayesian non-parametric spline-based regression approach with instrumental variables to adjust for the aforementioned confounding bias. The proposed approach is benchmarked against standard curve-fitting methods in estimating the flow-density relationship for three highway bottlenecks in the United States. Our empirical results suggest that the saturated (or hypercongested) regime of the estimated flow-density relationship using correlational curve fitting methods may be severely biased, which in turn leads to biased estimates of important traffic control inputs such as capacity and capacity-drop. We emphasise that our causal approach is based on the physical laws of vehicle movement in a traffic stream as opposed to a demand-supply framework adopted in the economics literature. By doing so, we also aim to conciliate the engineering and economics approaches to this empirical problem. Our results, thus, have important implications both for traffic engineers and transport economists.

رابطه اساسی جریان ترافیک از نظر تجربی توسط تخمین زده می شود قرار دادن منحنی رگرسیون به ابر مشاهدات متغیرهای ترافیکی. با این حال ، چنین تخمین هایی ممکن است از تعصب مخدوش/درون زا رنج ببرد برای متغیرهای حذف شده مانند رفتار رانندگی و آب و هوا.برای این منظور ، این مقاله یک رویکرد علی را برای به دست آوردن یک تخمین بی طرفانه از رابطه اساسی چگالی جریان با استفاده از داده های ردیاب ترافیک.که در به ویژه ، ما یک رویکرد رگرسیون مبتنی بر اسپلین غیر پارامتری بیزی را اعمال می کنیم با متغیرهای ابزاری برای تنظیم تعصب مخدوش فوق الذکر. رویکرد پیشنهادی در برابر روشهای متناسب با منحنی استاندارد در تخمین رابطه چگالی جریان برای سه تنگنا بزرگراه در ایالات متحده.نتایج تجربی ما نشان می دهد که اشباع شده (یا رژیم بیش از حد) رژیم تخمین زده شده رابطه چگالی جریان با استفاده از روش های مناسب برای منحنی همبستگی ممکن است به شدت مغرضانه باشد ، که به نوبه خود منجر می شود به برآوردهای مغرضانه از ورودی های مهم کنترل ترافیک مانند ظرفیت و کاهش ظرفیتما تأکید می کنیم که رویکرد علی ما مبتنی بر جسمی است قوانین حرکت وسیله نقلیه در یک جریان ترافیک بر خلاف تقاضا چارچوب اتخاذ شده در ادبیات اقتصاد.با این کار ، ما نیز هدف ماست رویکردهای مهندسی و اقتصاد را به این مشکل تجربی مصالحه کنید. نتایج ما ، بنابراین ، پیامدهای مهمی هم برای مهندسان ترافیک و هم برای اقتصاددانان حمل و نقل.

Inference and testing in general point process models such as the Hawkes model is predominantly based on asymptotic approximations for likelihood-based estimators and tests. As an alternative, and to improve finite sample performance, this paper considers bootstrap-based inference for interval estimation and testing. Specifically, for a wide class of point process models we consider a novel bootstrap scheme labeled 'fixed intensity bootstrap' (FIB), where the conditional intensity is kept fixed across bootstrap repetitions. The FIB, which is very simple to implement and fast in practice, extends previous ideas from the bootstrap literature on time series in discrete time, where the so-called 'fixed design' and 'fixed volatility' bootstrap schemes have shown to be particularly useful and effective. We compare the FIB with the classic recursive bootstrap, which is here labeled 'recursive intensity bootstrap' (RIB). In RIB algorithms, the intensity is stochastic in the bootstrap world and implementation of the bootstrap is more involved, due to its sequential structure. For both bootstrap schemes, we provide new bootstrap (asymptotic) theory which allows to assess bootstrap validity, and propose a 'non-parametric' approach based on resampling time-changed transformations of the original waiting times. We also establish the link between the proposed bootstraps for point process models and the related autoregressive conditional duration (ACD) models. Lastly, we show effectiveness of the different bootstrap schemes in finite samples through a set of detailed Monte Carlo experiments, and provide applications to both financial data and social media data to illustrate the proposed methodology.

استنباط و آزمایش در مدلهای فرآیند عمومی نقطه مانند شاهین ها مدل عمدتاً مبتنی بر تقریب های بدون علامت برای احتمال مبتنی بر برآوردگرها و آزمایشات.به عنوان یک جایگزین ، و برای بهبود نمونه محدود عملکرد ، این مقاله استنتاج مبتنی بر bootstrap را برای بازه در نظر می گیرد تخمین و آزمایش.به طور خاص ، برای یک کلاس گسترده از مدل های فرآیند نقطه ما یک طرح جدید بوت استرپ را با عنوان "Bootstrap با شدت ثابت" (FIB) در نظر می گیریم. جایی که شدت مشروط در تکرارهای بوت استرپ ثابت نگه داشته می شود.در فیبر ، که اجرای آن بسیار ساده است و در عمل سریع است ، قبلی را گسترش می دهد ایده هایی از ادبیات bootstrap در سری زمانی در زمان گسسته ، جایی که طرح های بوت استرپ به اصطلاح "طراحی ثابت" و "نوسانات ثابت" نشان داده اند به خصوص مفید و مؤثر باشید.ما فیبر را با کلاسیک مقایسه می کنیم bootstrap بازگشتی ، که در اینجا با عنوان "bootstrap شدت بازگشتی" برچسب گذاری شده است (دنده).در الگوریتم های دنده ، شدت در دنیای بوت استرپ تصادفی است و اجرای بوت استرپ به دلیل پی در پی آن بیشتر درگیر است ساختاربرای هر دو طرح bootstrap ، ما Bootstrap جدید (بدون علامت) را ارائه می دهیم نظریه ای که امکان ارزیابی اعتبار بوت استرپ را فراهم می کند ، و پیشنهاد می دهد رویکرد "غیر پارامتری" مبتنی بر تغییر شکل مجدد تحولات تغییر یافته از زمان زمان انتظار اصلی.ما همچنین پیوند بین پیشنهادی را برقرار می کنیم bootstraps برای مدل های فرآیند نقطه و مشروط مربوط به خودجوش مدلهای مدت زمان (ACD).در آخر ، ما اثربخشی بوت استرپ مختلف را نشان می دهیم طرح هایی در نمونه های محدود از طریق مجموعه ای از آزمایش های دقیق مونت کارلو ، و برنامه هایی را به داده های مالی و داده های رسانه های اجتماعی ارائه دهید تا روش پیشنهادی را نشان دهید.

This study proposes an efficient algorithm for score computation for regime-switching models, and derived from which, an efficient expectation-maximization (EM) algorithm. Different from existing algorithms, this algorithm does not rely on the forward-backward filtering for smoothed regime probabilities, and only involves forward computation. Moreover, the algorithm to compute score is readily extended to compute the Hessian matrix.

این مطالعه یک الگوریتم کارآمد برای محاسبه نمره برای مدلهای تغییر دهنده رژیم ، و مشتق شده از آن ، کارآمد الگوریتم انتظار حداکثر (EM).متفاوت از الگوریتم های موجود ، این الگوریتم برای صاف کردن به فیلتر رو به جلو متکی نیست احتمالات رژیم ، و فقط شامل محاسبات رو به جلو است.علاوه بر این ، الگوریتم برای محاسبه نمره به راحتی برای محاسبه ماتریس هسیایی گسترش می یابد.

We propose a novel text-analytic approach for incorporating textual information into structural economic models and apply this to study the effects of tax news. We first develop a novel semi-supervised two-step topic model that automatically extracts specific information regarding future tax policy changes from text. We also propose an approach for transforming such textual information into an economically meaningful time series to be included in a structural econometric model as variable of interest or instrument. We apply our method to study the effects of fiscal foresight, in particular the informational content in speeches of the U.S. president about future tax reforms, and find that our semi-supervised topic model can successfully extract information about the direction of tax changes. The extracted information predicts (exogenous) future tax changes and contains signals that are not present in previously considered (narrative) measures of (exogenous) tax changes. We find that tax news triggers a significant yet delayed response in output.

ما یک رویکرد جدید متن-تحلیلی را برای ترکیب متن پیشنهاد می کنیم اطلاعات به مدلهای اقتصادی ساختاری و این کار را برای بررسی اثرات به کار می برند اخبار مالیاتیما برای اولین بار یک مدل موضوع دو مرحله ای نیمه تحت نظارت جدید ایجاد می کنیم که به طور خودکار اطلاعات خاص را در مورد تغییرات سیاست مالیاتی آینده استخراج می کند از متنما همچنین یک رویکرد برای تغییر چنین متنی پیشنهاد می کنیم اطلاعات در یک سری زمانی از نظر اقتصادی معنی دار است که در یک مدل اقتصاد سنجی ساختاری به عنوان متغیر علاقه یا ابزار.ما اقدام می کنیم روش ما برای بررسی اثرات پیش بینی مالی ، به ویژه محتوای اطلاعاتی در سخنان رئیس جمهور ایالات متحده در مورد مالیات آینده اصلاحات ، و دریابید که مدل موضوع نیمه نظارت ما می تواند با موفقیت استخراج کند اطلاعات مربوط به جهت تغییرات مالیاتی.اطلاعات استخراج شده پیش بینی (اگزوژن) تغییرات مالیاتی در آینده و حاوی سیگنالهایی است که نیستند در اقدامات قبلاً در نظر گرفته شده (روایت) مالیات (برون زا) موجود است تغییر می کند.ما می دانیم که اخبار مالیاتی باعث پاسخ قابل توجه و در عین حال تأخیر در آن می شود خروجی

For treatment effects - one of the core issues in modern econometric analysis - prediction and estimation are two sides of the same coin. As it turns out, machine learning methods are the tool for generalized prediction models. Combined with econometric theory, they allow us to estimate not only the average but a personalized treatment effect - the conditional average treatment effect (CATE). In this tutorial, we give an overview of novel methods, explain them in detail, and apply them via Quantlets in real data applications. We study the effect that microcredit availability has on the amount of money borrowed and if 401(k) pension plan eligibility has an impact on net financial assets, as two empirical examples. The presented toolbox of methods contains meta-learners, like the Doubly-Robust, R-, T- and X-learner, and methods that are specially designed to estimate the CATE like the causal BART and the generalized random forest. In both, the microcredit and 401(k) example, we find a positive treatment effect for all observations but conflicting evidence of treatment effect heterogeneity. An additional simulation study, where the true treatment effect is known, allows us to compare the different methods and to observe patterns and similarities.

برای اثرات درمانی - یکی از موضوعات اصلی در تجزیه و تحلیل اقتصاد سنجی مدرن - پیش بینی و تخمین دو طرف یک سکه است.همانطور که معلوم است ، روشهای یادگیری ماشین ابزاری برای مدل های پیش بینی عمومی است. همراه با نظریه اقتصاد سنجی ، آنها به ما این امکان را می دهند که نه تنها تخمین بزنیم متوسط اما یک اثر درمانی شخصی - درمان متوسط مشروط اثر (کیت).در این آموزش ، ما یک مرور کلی از روش های جدید ارائه می دهیم ، توضیح می دهیم آنها را به طور مفصل ، و آنها را از طریق Quantlets در برنامه های داده واقعی اعمال کنید.ما تأثیراتی را که در دسترس بودن خرد بر میزان پول است مطالعه کنید وام گرفته شده و اگر 401 (k) برنامه بازنشستگی واجد شرایط بودن تأثیر بر مالی خالص داشته باشد دارایی ، به عنوان دو نمونه تجربی.جعبه ابزار ارائه شده شامل شامل متا-یادگیری ها ، مانند دو برابر-رب ، R- ، T- و X-Learner ، و روش هایی که به طور خاص طراحی شده اند تا کیت را مانند بارت علی تخمین بزنند جنگل تصادفی تعمیم یافته.در هر دو ، میکروندیت و 401 (k) ، ما می یابیم یک اثر درمانی مثبت برای همه مشاهدات اما شواهد متناقض ناهمگونی اثر درمانی.یک مطالعه شبیه سازی اضافی ، که در آن درست است اثر درمانی شناخته شده است ، به ما امکان می دهد روشهای مختلف را با یکدیگر مقایسه کنیم الگوهای و شباهت ها را مشاهده کنید.

In this paper, we develop a two-stage analytical framework to investigate farming efficiency. In the first stage, data envelopment analysis is employed to estimate the efficiency of the farms and conduct slack and scale economies analyses. In the second stage, we propose a stochastic model to identify potential sources of inefficiency. The latter model integrates within a unified structure all variables, including inputs, outputs and contextual factors. As an application ground, we use a sample of 60 farms from the Batinah coastal region, an agricultural area representing more than 53 per cent of the total cropped area of Oman. The findings of the study lay emphasis on the inter-dependence of groundwater salinity, irrigation technology and operational efficiency of a farm, with as a key recommendation the necessity for more regulated water consumption and a readjustment of governmental subsidiary policies.

در این مقاله ، ما یک چارچوب تحلیلی دو مرحله ای برای بررسی ایجاد می کنیم راندمان کشاورزی.در مرحله اول ، از تجزیه و تحلیل پاکت نامه داده استفاده می شود برای برآورد کارآیی مزارع و انجام اقتصادهای کم رنگ و مقیاس تجزیه و تحلیلدر مرحله دوم ، ما یک مدل تصادفی برای شناسایی پیشنهاد می کنیم منابع بالقوه ناکارآمدی.مدل دوم در یک متحد ادغام می شود ساختار کلیه متغیرها ، از جمله ورودی ها ، خروجی ها و عوامل زمینه ای.مانند یک زمین کاربردی ، ما از نمونه ای از 60 مزارع از ساحل باتین استفاده می کنیم منطقه ، یک منطقه کشاورزی که بیش از 53 درصد از کل را تشکیل می دهد منطقه خرد شده عمان.یافته های مطالعه تأکید بر وابستگی بین شوری آب زیرزمینی ، فناوری آبیاری و عملیاتی کارآیی یک مزرعه ، با یک توصیه اصلی ضرورت بیشتر مصرف آب تنظیم شده و تعدیل شرکت تابعه دولت سیاست های.

Instrumental variables estimation has gained considerable traction in recent decades as a tool for causal inference, particularly amongst empirical researchers. This paper makes three contributions. First, we provide a detailed theoretical discussion on the properties of the standard two-stage least squares estimator in the presence of weak instruments and introduce and derive two alternative estimators. Second, we conduct Monte-Carlo simulations to compare the finite-sample behavior of the different estimators, particularly in the weak-instruments case. Third, we apply the estimators to a real-world context; we employ the different estimators to calculate returns to schooling.

برآورد متغیرهای ابزاری در اخیر کشش قابل توجهی به دست آورده است دهه ها به عنوان ابزاری برای استنباط علّی ، به ویژه در میان تجربی محققاناین مقاله سه موضوع را در بر گرفته.اول ، ما یک مفصل ارائه می دهیم بحث نظری در مورد خواص حداقل دو مرحله ای استاندارد برآوردگر مربع در حضور سازهای ضعیف و معرفی و مشتق شدن دو برآوردگر جایگزین.دوم ، ما شبیه سازی های مونت کارلو را انجام می دهیم رفتار نمونه محدود از برآوردگرهای مختلف ، به ویژه در مورد ضعف.سوم ، ما برآوردگرها را در دنیای واقعی اعمال می کنیم متن نوشته؛ما از برآوردگرهای مختلف برای محاسبه بازده به مدرسه استفاده می کنیم.

This paper studies the identification of causal effects of a continuous treatment using a new difference-in-difference strategy. Our approach allows for endogeneity of the treatment, and employs repeated cross-sections. It requires an exogenous change over time which affects the treatment in a heterogeneous way, stationarity of the distribution of unobservables and a rank invariance condition on the time trend. On the other hand, we do not impose any functional form restrictions or an additive time trend, and we are invariant to the scaling of the dependent variable. Under our conditions, the time trend can be identified using a control group, as in the binary difference-in-differences literature. In our scenario, however, this control group is defined by the data. We then identify average and quantile treatment effect parameters. We develop corresponding nonparametric estimators and study their asymptotic properties. Finally, we apply our results to the effect of disposable income on consumption.

در این مقاله به بررسی شناسایی اثرات علّی یک مداوم می پردازیم درمان با استفاده از یک استراتژی تفاوت در اختلاف.رویکرد ما اجازه می دهد برای درون زا بودن درمان ، و از مقاطع مکرر استفاده می کند.آی تی نیاز به یک تغییر اگزوژن با گذشت زمان دارد که در درمان تأثیر می گذارد راه ناهمگن ، ثابت بودن توزیع غیرقابل کنترل و یک رتبه شرایط عدم تغییر در روند زمان.از طرف دیگر ، ما هیچ چیز را تحمیل نمی کنیم محدودیت های فرم عملکردی یا یک روند زمان افزودنی ، و ما به آنها ثابت نیستیم مقیاس متغیر وابسته.تحت شرایط ما ، روند زمان می تواند با استفاده از یک گروه کنترل ، مانند تفاوت های باینری در اختلافات شناسایی شود ادبیات.با این حال ، در سناریوی ما ، این گروه کنترل توسط داده ها.سپس پارامترهای اثر درمانی متوسط و کمی را شناسایی می کنیم.ما برآوردگرهای غیرپارامتری مربوطه را توسعه داده و بدون علامت آنها را مطالعه کنید خواصسرانجام ، ما نتایج خود را برای تأثیر درآمد یکبار مصرف بر روی آن اعمال می کنیم مصرف.

This paper studies identification of the marginal treatment effect (MTE) when a binary treatment variable is misclassified. We show under standard assumptions that the MTE is identified as the derivative of the conditional expectation of the observed outcome given the true propensity score, which is partially identified. We characterize the identified set for this propensity score, and then for the MTE. We show under some mild regularity conditions that the sign of the MTE is locally identified. We use our MTE bounds to derive bounds on other commonly used parameters in the literature. We show that our bounds are tighter than the existing bounds for the local average treatment effect. We illustrate the practical relevance of our derived bounds through some numerical and empirical results.

در این مقاله به بررسی شناسایی اثر درمان حاشیه ای (MTE) می پردازیم یک متغیر درمان باینری طبقه بندی شده است.ما تحت استاندارد نشان می دهیم فرضیات مبنی بر اینکه MTE به عنوان مشتق مشروط شناخته می شود انتظار از نتیجه مشاهده شده با توجه به نمره گرایش واقعی ، یعنی تا حدی شناسایی شده است.ما مجموعه مشخص شده را برای این گرایش توصیف می کنیم امتیاز ، و سپس برای MTE.ما تحت شرایط منظم خفیف نشان می دهیم که علامت MTE به صورت محلی مشخص می شود.ما از مرزهای MTE خود برای استخراج استفاده می کنیم مرزهای دیگر پارامترهای متداول در ادبیات.ما نشان می دهیم که ما مرزها از مرزهای موجود برای درمان متوسط محلی محکم تر هستند اثرما ارتباط عملی مرزهای مشتق شده خود را از طریق نشان می دهیم برخی از نتایج عددی و تجربی.

Empirical work often uses treatment assigned following geographic boundaries. When the effects of treatment cross over borders, classical difference-in-differences estimation produces biased estimates for the average treatment effect. In this paper, I introduce a potential outcomes framework to model spillover effects and decompose the estimate's bias in two parts: (1) the control group no longer identifies the counterfactual trend because their outcomes are affected by treatment and (2) changes in treated units' outcomes reflect the effect of their own treatment status and the effect from the treatment status of 'close' units. I propose conditions for non-parametric identification that can remove both sources of bias and semi-parametrically estimate the spillover effects themselves including in settings with staggered treatment timing. To highlight the importance of spillover effects, I revisit analyses of three place-based interventions.

کار تجربی اغلب از معالجه تعیین شده در زیر مرزهای جغرافیایی استفاده می شود. هنگامی که اثرات درمان از مرزها عبور می کند ، کلاسیک برآورد اختلاف در اختلافات تخمین های مغرضانه برای میانگین ایجاد می کند اثر درمانی.در این مقاله ، من یک چارچوب نتایج بالقوه را به اثرات سرریز مدل و تجزیه تعصب تخمین در دو بخش: (1) گروه کنترل دیگر روند خلاف واقع را مشخص نمی کند زیرا آنها نتایج تحت تأثیر درمان و (2) تغییر در نتایج واحدهای تحت درمان قرار می گیرد تأثیر وضعیت درمانی خود و تأثیر آن را منعکس می کند وضعیت درمانی واحدهای "نزدیک".من شرایط غیر پارامتری را پیشنهاد می کنم شناسایی که می تواند هر دو منبع تعصب و نیمه پارامتری را از بین ببرد اثرات سرریز خود را از جمله در تنظیمات با مبهم تخمین بزنید زمان درمانیبرای برجسته کردن اهمیت اثرات سرریز ، دوباره مرور می کنم تجزیه و تحلیل سه مداخله مبتنی بر مکان.

Empirical analyses on income and wealth inequality and those in other fields in economics and finance often face the difficulty that the data is heterogeneous, heavy-tailed or correlated in some unknown fashion. The paper focuses on applications of the recently developed \textit{t}-statistic based robust inference approaches in the analysis of inequality measures and their comparisons under the above problems. Following the approaches, in particular, a robust large sample test on equality of two parameters of interest (e.g., a test of equality of inequality measures in two regions or countries considered) is conducted as follows: The data in the two samples dealt with is partitioned into fixed numbers $q_1, q_2\ge 2$ (e.g., $q_1=q_2=2, 4, 8$) of groups, the parameters (inequality measures dealt with) are estimated for each group, and inference is based on a standard two-sample $t-$test with the resulting $q_1, q_2$ group estimators. Robust $t-$statistic approaches result in valid inference under general conditions that group estimators of parameters (e.g., inequality measures) considered are asymptotically independent, unbiased and Gaussian of possibly different variances, or weakly converge, at an arbitrary rate, to independent scale mixtures of normal random variables. These conditions are typically satisfied in empirical applications even under pronounced heavy-tailedness and heterogeneity and possible dependence in observations. The methods dealt with in the paper complement and compare favorably with other inference approaches available in the literature. The use of robust inference approaches is illustrated by an empirical analysis of income inequality measures and their comparisons across different regions in Russia.

تجزیه و تحلیل تجربی در مورد نابرابری درآمد و ثروت و موارد دیگر در زمینه های دیگر در اقتصاد و امور مالی اغلب با دشواری که داده ها وجود دارد ناهمگن ، دم سنگین یا با برخی از روشهای ناشناخته ارتباط دارد.کاغذ تمرکز بر روی برنامه های کاربردی اخیراً توسعه یافته \ textit {t} -statistic رویکردهای استنتاج قوی در تجزیه و تحلیل اقدامات نابرابری و آنها مقایسه تحت مشکلات فوق.به طور خاص ، به ویژه ، یک آزمون نمونه بزرگ قوی در مورد برابری دو پارامتر مورد علاقه (به عنوان مثال ، الف آزمون برابری اقدامات نابرابری در دو منطقه یا کشورهایی که در نظر گرفته شده اند) به شرح زیر انجام می شود: داده های موجود در دو نمونه که به آنها پرداخته شده است تقسیم بندی شده است به شماره های ثابت $ q_1 ، q_2 \ ge 2 $ (به عنوان مثال ، $ q_1 = q_2 = 2 ، 4 ، 8 $) گروه ها ، پارامترها (اقدامات نابرابری که به آنها پرداخت می شود) برای هر گروه تخمین زده می شود ، و استنتاج بر اساس یک تست استاندارد دو نمونه $ t- $ با $ q_1 حاصل می شود ، برآوردگرهای گروه Q_2 $.رویکردهای آماری قوی $ t- $ معتبر است استنباط در شرایط کلی که برآوردگرهای گروهی پارامترها (به عنوان مثال ، اقدامات نابرابری) که در نظر گرفته می شوند مستقل از نظر غیرمعمول ، بی طرفانه و گاوسی از واریانس های احتمالاً مختلف ، یا ضعیف همگرا ، در یک خودسرانه نرخ ، به مخلوط های مقیاس مستقل از متغیرهای تصادفی عادی.اینها شرایط به طور معمول در برنامه های تجربی حتی تحت نشان داده شده با دم سنگین و ناهمگونی و وابستگی احتمالی در مشاهداتروش هایی که در مکمل مقاله به آن پرداخته و مقایسه شده است مطلوب با سایر رویکردهای استنباط موجود در ادبیات.کاربرد از رویکردهای استنتاج قوی با تجزیه و تحلیل تجربی از اقدامات نابرابری درآمدی و مقایسه آنها در مناطق مختلف در روسیه.

National and local governments have implemented a large number of policies in response to the Covid-19 pandemic. Evaluating the effects of these policies, both on the number of Covid-19 cases as well as on other economic outcomes is a key ingredient for policymakers to be able to determine which policies are most effective as well as the relative costs and benefits of particular policies. In this paper, we consider the relative merits of common identification strategies that exploit variation in the timing of policies across different locations by checking whether the identification strategies are compatible with leading epidemic models in the epidemiology literature. We argue that unconfoundedness type approaches, that condition on the pre-treatment "state" of the pandemic, are likely to be more useful for evaluating policies than difference-in-differences type approaches due to the highly nonlinear spread of cases during a pandemic. For difference-in-differences, we further show that a version of this problem continues to exist even when one is interested in understanding the effect of a policy on other economic outcomes when those outcomes also depend on the number of Covid-19 cases. We propose alternative approaches that are able to circumvent these issues. We apply our proposed approach to study the effect of state level shelter-in-place orders early in the pandemic.

دولت های ملی و محلی تعداد زیادی سیاست را در آن اجرا کرده اند پاسخ به همه گیر Covid-19.ارزیابی اثرات این سیاست ها ، هر دو در تعداد موارد COVID-19 و همچنین در مورد سایر نتایج اقتصادی یک است عنصر اصلی برای سیاست گذاران قادر به تعیین کدام سیاست ها بیشتر است مؤثر و همچنین هزینه های نسبی و مزایای سیاست های خاص.که در در این مقاله ، ما شایستگی های نسبی استراتژی های شناسایی مشترک را در نظر می گیریم که از تغییر در زمان سیاست ها در مکانهای مختلف بهره برداری می کند بررسی اینکه آیا استراتژی های شناسایی با پیشرو سازگار هستند مدل های اپیدمی در ادبیات اپیدمیولوژی.ما استدلال می کنیم که عدم تمایل رویکردهای نوع ، این شرط در مورد "حالت" قبل از درمان همه گیر ، به احتمال زیاد برای ارزیابی سیاست ها مفیدتر از این هستند تفاوت در تفاوت در نوع تفاوت به دلیل گسترش بسیار غیرخطی موارد در طول همه گیر.برای تفاوت در اختلافات ، ما بیشتر نشان می دهیم که a نسخه این مشکل حتی در صورت علاقه به وجود دارد درک تأثیر یک سیاست بر سایر نتایج اقتصادی وقتی این موارد است نتایج همچنین به تعداد موارد COVID-19 بستگی دارد.ما جایگزین را پیشنهاد می کنیم رویکردهایی که قادر به دور زدن این مسائل هستند.ما پیشنهادی خود را اعمال می کنیم رویکرد برای مطالعه تأثیر سفارشات سرپناه در سطح کشور در اوایل همه گیر

We propose the double robust Lagrange multiplier (DRLM) statistic for testing hypotheses specified on the pseudo-true value of the structural parameters in the generalized method of moments. The pseudo-true value is defined as the minimizer of the population continuous updating objective function and equals the true value of the structural parameter in the absence of misspecification.\nocite{hhy96} The (bounding) chi-squared limiting distribution of the DRLM statistic is robust to both misspecification and weak identification of the structural parameters, hence its name. To emphasize its importance for applied work, we use the DRLM test to analyze the return on education, which is often perceived to be weakly identified, using data from Card (1995) where misspecification occurs in case of treatment heterogeneity; and to analyze the risk premia associated with risk factors proposed in Adrian et al. (2014) and He et al. (2017), where both misspecification and weak identification need to be addressed.

ما آماری دو برابر Lagrange Multiplier (DRLM) را برای آزمایش پیشنهاد می کنیم فرضیه های مشخص شده در مقدار شبه واقعی پارامترهای ساختاری در روش کلی لحظات.مقدار شبه واقعی به عنوان تعریف می شود مینیمیزه کننده عملکرد به روزرسانی مداوم عملکرد هدف و برابر است مقدار واقعی پارامتر ساختاری در غیاب شناسایی اشتباه. توزیع آمار DRLM برای هر دو اشتباه و ضعیف قوی است شناسایی پارامترهای ساختاری ، از این رو نام آن.برای تأکید بر آن اهمیت کار کاربردی ، ما از آزمون DRLM برای تجزیه و تحلیل بازده استفاده می کنیم آموزش و پرورش ، که اغلب با استفاده از داده ها از داده های ضعیف ، ضعیف شناخته می شود کارت (1995) که در صورت ناهمگونی درمان ، شناسایی اشتباه رخ می دهد. و تجزیه و تحلیل حق ریسک مرتبط با عوامل خطر پیشنهادی در آدریان و همکاران(2014) و او و همکاران.(2017) ، که در آن هر دو اشتباه و ضعیف باید به شناسایی رسیدگی شود.

We use identification robust tests to show that difference, level and non-linear moment conditions, as proposed by Arellano and Bond (1991), Arellano and Bover (1995), Blundell and Bond (1998) and Ahn and Schmidt (1995) for the linear dynamic panel data model, do not separately identify the autoregressive parameter when its true value is close to one and the variance of the initial observations is large. We prove that combinations of these moment conditions, however, do so when there are more than three time series observations. This identification then solely results from a set of, so-called, robust moment conditions. These robust moments are spanned by the combined difference, level and non-linear moment conditions and only depend on differenced data. We show that, when only the robust moments contain identifying information on the autoregressive parameter, the discriminatory power of the Kleibergen (2005) LM test using the combined moments is identical to the largest rejection frequencies that can be obtained from solely using the robust moments. This shows that the KLM test implicitly uses the robust moments when only they contain information on the autoregressive parameter.

ما از تست های قوی شناسایی استفاده می کنیم تا تفاوت ، سطح و شرایط لحظه ای غیرخطی ، همانطور که توسط Arellano و Bond (1991) ، Arellano پیشنهاد شده است و بوور (1995) ، بلوندل و باند (1998) و AHN و اشمیت (1995) برای مدل داده پانل پویا خطی ، به طور جداگانه خود را شناسایی نکنید پارامتر وقتی مقدار واقعی آن نزدیک به یک و واریانس اولیه باشد مشاهدات بزرگ است.ما ثابت می کنیم که ترکیب این شرایط لحظه ای ، با این حال ، این کار را انجام دهید که بیش از سه مشاهده سری زمانی وجود داشته باشد.این شناسایی سپس فقط از مجموعه ای از لحظه به اصطلاح ، قوی نتیجه می گیرد شرایطاین لحظات قوی با تفاوت ترکیبی ، سطح و شرایط لحظه ای غیر خطی و فقط به داده های مختلف بستگی دارد.ما نشان می دهیم این ، هنگامی که فقط لحظه های قوی حاوی اطلاعات شناسایی در مورد پارامتر خودکار ، قدرت تبعیض آمیز Kleibergen (2005) LM تست با استفاده از لحظات ترکیبی با بزرگترین رد یکسان است فرکانس هایی که فقط می توانند از صرف استفاده از لحظات قوی حاصل شوند.این نشان می دهد که تست KLM به طور ضمنی از لحظه های قوی استفاده می کند حاوی اطلاعاتی در مورد پارامتر خودکار است.

The econometric literature on treatment-effects typically takes functionals of outcome-distributions as `social welfare' and ignores program-impacts on unobserved utilities. We show how to incorporate aggregate utility within econometric program-evaluation and optimal treatment-targeting for a heterogenous population. In the practically important setting of discrete-choice, under unrestricted preference-heterogeneity and income-effects, the indirect-utility distribution becomes a closed-form functional of average demand. This enables nonparametric cost-benefit analysis of policy-interventions and their optimal targeting based on planners' redistributional preferences. For ordered/continuous choice, utility-distributions can be bounded. Our methods are illustrated with Indian survey-data on private-tuition, where income-paths of usage-maximizing subsidies differ significantly from welfare-maximizing ones.

ادبیات اقتصاد سنجی در مورد عوارض درمانی به طور معمول کارکردهای خود را انجام می دهد از توزیع نتیجه به عنوان "رفاه اجتماعی" و نادیده گرفتن برنامه های برنامه بر روی برنامه های بدون نظارت.ما نشان می دهیم که چگونه می توان از ابزار کل در درون خود استفاده کرد برنامه اقتصادی-ارزیابی و هدف گیری بهینه برای یک جمعیت ناهمگن.در تنظیمات مهم مهم از انتخاب گسسته ، تحت ترجیح نامحدود و عوارض درآمد ، توزیع غیرمستقیم به یک شکل بسته تبدیل می شود عملکردی از تقاضای متوسط.این امکان تجزیه و تحلیل هزینه و فایده غیر پارامتری را فراهم می کند مداخلات سیاست و هدفگذاری بهینه آنها بر اساس برنامه ریزان تنظیم مجدد توزیع مجدد.برای انتخاب مرتب/مداوم ، توزیع های ابزار می تواند محدود شود.روشهای ما با هندی نشان داده شده است داده های نظرسنجی در مورد اطلاعات خصوصی ، جایی که مسیرهای درآمد از حداکثر استفاده یارانه ها با موارد حداکثر بهزیستی تفاوت قابل توجهی دارند.

This paper proposes a new framework to evaluate unconditional quantile effects (UQE) in a data combination model. The UQE measures the effect of a marginal counterfactual change in the unconditional distribution of a covariate on quantiles of the unconditional distribution of a target outcome. Under rank similarity and conditional independence assumptions, we provide a set of identification results for UQEs when the target covariate is continuously distributed and when it is discrete, respectively. Based on these identification results, we propose semiparametric estimators and establish their large sample properties under primitive conditions. Applying our method to a variant of Mincer's earnings function, we study the counterfactual quantile effect of actual work experience on income.

در این مقاله یک چارچوب جدید برای ارزیابی کمی بی قید و شرط ارائه شده است اثرات (UQE) در یک مدل ترکیبی از داده ها.UQE اثر a را اندازه گیری می کند تغییر خلاف واقع در توزیع بی قید و شرط یک متغیر در مقدار توزیع بی قید و شرط نتیجه هدف.زیر رتبه شباهت و فرضیات استقلال مشروط ، ما مجموعه ای از نتایج شناسایی برای UQE ها هنگامی که متغیرهای هدف به طور مداوم است توزیع شده و به ترتیب گسسته است.بر اساس اینها نتایج شناسایی ، ما برآوردگرهای نیمهرامتری را پیشنهاد می کنیم و ایجاد می کنیم خصوصیات نمونه بزرگ آنها در شرایط بدوی.استفاده از روش ما به یک نوع از عملکرد درآمدی Mincer ، ما پیشخوان را مطالعه می کنیم تأثیر کمی از تجربه کار واقعی بر درآمد.

This paper provides additional results relevant to the setting, model, and estimators of Auerbach (2019a). Section 1 contains results about the large sample properties of the estimators from Section 2 of Auerbach (2019a). Section 2 considers some extensions to the model. Section 3 provides an application to estimating network peer effects. Section 4 shows the results from some simulations.

در این مقاله نتایج اضافی مربوط به تنظیم ، مدل و برآوردگرهای Auerbach (2019a).بخش 1 حاوی نتایج در مورد بزرگ است خصوصیات نمونه برآوردگرها از بخش 2 Auerbach (2019a).بخش 2 برخی از پسوندها را به مدل در نظر می گیرد.بخش 3 برنامه ای را ارائه می دهد تخمین اثرات همسالان شبکه.بخش 4 نتایج برخی را نشان می دهد شبیه سازی

Average partial effects (APEs) are often not point identified in panel models with unrestricted unobserved heterogeneity, such as binary response panel model with fixed effects and logistic errors. This lack of point-identification occurs despite the identification of these models' common coefficients. We provide a unified framework to establish the point identification of various partial effects in a wide class of nonlinear semiparametric models under an index sufficiency assumption on the unobserved heterogeneity, even when the error distribution is unspecified and non-stationary. This assumption does not impose parametric restrictions on the unobserved heterogeneity and idiosyncratic errors. We also present partial identification results when the support condition fails. We then propose three-step semiparametric estimators for the APE, the average structural function, and average marginal effects, and show their consistency and asymptotic normality. Finally, we illustrate our approach in a study of determinants of married women's labor supply.

اثرات جزئی متوسط (میمون ها) اغلب در مدل های پانل مشخص نمی شوند با ناهمگونی بدون محدودیت ، مانند مدل پانل پاسخ باینری با جلوه های ثابت و خطاهای لجستیک.این عدم شناسایی نقطه با وجود شناسایی ضرایب مشترک این مدل ها رخ می دهد.ما یک چارچوب یکپارچه برای ایجاد شناسایی نقطه مختلف ارائه دهید اثرات جزئی در یک کلاس گسترده از مدلهای نیمه خطی غیرخطی تحت یک فرض کفایت شاخص در مورد ناهمگونی بدون نظارت ، حتی اگر توزیع خطا نا مشخص و غیر ثابت است.این فرض نیست محدودیت های پارامتری را بر ناهمگونی بدون نظارت اعمال کنید و خطاهای خاص.ما همچنین نتایج شناسایی جزئی را ارائه می دهیم وضعیت پشتیبانی از کار می افتد.سپس برآوردگرهای نیمه مرحله ای سه مرحله ای را پیشنهاد می کنیم برای میمون ، میانگین عملکرد ساختاری و میانگین اثرات حاشیه ای ، و قوام و عادی بودن آنها را نشان می دهد.سرانجام ، ما خود را نشان می دهیم رویکرد در مطالعه عوامل تعیین کننده تأمین نیروی کار زنان متاهل.

The exponentially weighted moving average (EMWA) could be labeled as a competitive volatility estimator, where its main strength relies on computation simplicity, especially in a multi-asset scenario, due to dependency only on the decay parameter, $\lambda$. But, what is the best election for $\lambda$ in the EMWA volatility model? Through a large time-series data set of historical returns of the top US large-cap companies; we test empirically the forecasting performance of the EWMA approach, under different time horizons and varying the decay parameter. Using a rolling window scheme, the out-of-sample performance of the variance-covariance matrix is computed following two approaches. First, if we look for a fixed decay parameter for the full sample, the results are in agreement with the RiskMetrics suggestion for 1-month forecasting. In addition, we provide the full-sample optimal decay parameter for the weekly and bi-weekly forecasting horizon cases, confirming two facts: i) the optimal value is as a function of the forecasting horizon, and ii) for lower forecasting horizons the short-term memory gains importance. In a second way, we also evaluate the forecasting performance of EWMA, but this time using the optimal time-varying decay parameter which minimizes the in-sample variance-covariance estimator, arriving at better accuracy than the use of a fixed-full-sample optimal parameter.

میانگین متحرک وزن نمایی (EMWA) می تواند به عنوان یک برچسب گذاری شود برآوردگر نوسانات رقابتی ، جایی که قدرت اصلی آن به محاسبه متکی است سادگی ، به ویژه در یک سناریوی چند دارایی ، به دلیل وابستگی فقط به پارامتر پوسیدگی ، $ \ lambda $.اما ، بهترین انتخابات برای $ \ lambda $ در مدل نوسانات EMWA؟از طریق مجموعه داده های سریال بزرگ از تاریخی بازده شرکت های برتر بزرگ ایالات متحده ؛ما پیش بینی را به صورت تجربی آزمایش می کنیم عملکرد رویکرد EWMA ، تحت افق زمانی مختلف و متفاوت پارامتر پوسیدگی.با استفاده از یک طرح پنجره نورد ، عملکرد خارج از نمونه ماتریس واریانس کواریانس به دنبال دو رویکرد محاسبه می شود.اولین، اگر به دنبال یک پارامتر پوسیدگی ثابت برای نمونه کامل باشیم ، نتایج در آن قرار دارد توافق با پیشنهاد خطر برای پیش بینی 1 ماه.علاوه بر این، ما پارامتر پوسیدگی بهینه کامل نمونه را برای هفتگی و دو هفته ارائه می دهیم پیش بینی موارد افق ، تأیید دو واقعیت: 1) مقدار بهینه به عنوان یک است عملکرد افق پیش بینی ، و ب) برای افق های پیش بینی پایین تر حافظه کوتاه مدت اهمیت می یابد.به روش دوم ، ما نیز ارزیابی می کنیم پیش بینی عملکرد EWMA ، اما این بار با استفاده از زمان بهینه متغیر پارامتر پوسیدگی که برآوردگر واریانس کواریانس در نمونه را به حداقل می رساند ، رسیدن به دقت بهتر از استفاده از یک بهینه از نمونه ثابت پارامتر.

I partially identify the marginal treatment effect (MTE) when the treatment is misclassified. I explore two restrictions, allowing for dependence between the instrument and the misclassification decision. If the signs of the derivatives of the propensity scores are equal, I identify the MTE sign. If those derivatives are similar, I bound the MTE. To illustrate, I analyze the impact of alternative sentences (fines and community service v. no punishment) on recidivism in Brazil, where Appeals processes generate misclassification. The estimated misclassification bias may be as large as 10% of the largest possible MTE, and the bounds contain the correctly estimated MTE.

من تا حدودی اثر درمان حاشیه ای (MTE) را هنگام درمان شناسایی می کنم طبقه بندی شده استمن دو محدودیت را کشف می کنم ، که امکان وابستگی بین ابزار و تصمیم نادرست طبقه بندی.اگر علائم مشتقات نمرات گرایش برابر هستند ، من علامت MTE را شناسایی می کنم.اگر این مشتقات مشابه هستند ، من MTE را محدود کردم.برای نشان دادن ، من تجزیه و تحلیل می کنم تأثیر جملات جایگزین (جریمه ها و خدمات جامعه در مقابل مجازات) در مورد عود مجدد در برزیل ، جایی که فرآیندهای تجدید نظر باعث ایجاد نادرست می شوند. تعصب اشتباه طبقه بندی تخمین زده شده ممکن است به اندازه 10 ٪ از بزرگترین باشد MTE ممکن ، و مرزها حاوی MTE درست تخمین زده شده است.

The standard approximation of a natural logarithm in statistical analysis interprets a linear change of \(p\) in \(\ln(X)\) as a \((1+p)\) proportional change in \(X\), which is only accurate for small values of \(p\). I suggest base-\((1+p)\) logarithms, where \(p\) is chosen ahead of time. A one-unit change in \(\log_{1+p}(X)\) is exactly equivalent to a \((1+p)\) proportional change in \(X\). This avoids an approximation applied too broadly, makes exact interpretation easier and less error-prone, improves approximation quality when approximations are used, makes the change of interest a one-log-unit change like other regression variables, and reduces error from the use of \(\log(1+X)\).

تقریب استاندارد یک لگاریتم طبیعی در تجزیه و تحلیل آماری تغییر خطی \ (p \) را در \ (\ ln (x) \) به عنوان یک \ ((1+p) \) متناسب تفسیر می کند تغییر در \ (x \) ، که فقط برای مقادیر کوچک \ (p \) دقیق است.پیشنهاد میکنم پایه-\ ((1+p) \) لگاریتم ها ، جایی که \ (p \) قبل از زمان انتخاب می شود.یک واحد تغییر در \ (\ log_ {1+p} (x) \) دقیقاً معادل \ ((1+p) \) متناسب است تغییر در \ (x \).این امر از تقریب بیش از حد به طور گسترده جلوگیری می کند ، دقیقاً باعث می شود تفسیر آسانتر و مستعد خطا ، کیفیت تقریبی را بهبود می بخشد تقریبی استفاده می شود ، تغییر علاقه را به یک تغییر یک واحد تبدیل می کند مانند سایر متغیرهای رگرسیون ، و خطای استفاده از آن را کاهش می دهد \ (\ log (1+x) \).

Clustered standard errors and approximate randomization tests are popular inference methods that allow for dependence within observations. However, they require researchers to know the cluster structure ex ante. We propose a procedure to help researchers discover clusters in panel data. Our method is based on thresholding an estimated long-run variance-covariance matrix and requires the panel to be large in the time dimension, but imposes no lower bound on the number of units. We show that our procedure recovers the true clusters with high probability with no assumptions on the cluster structure. The estimated clusters are independently of interest, but they can also be used in the approximate randomization tests or with conventional cluster-robust covariance estimators. The resulting procedures control size and have good power.

خطاهای استاندارد خوشه ای و آزمایش های تصادفی تقریبی محبوب هستند روشهای استنتاج که امکان وابستگی به مشاهدات را فراهم می کند.با این حال ، آنها محققان را ملزم به دانستن ساختار خوشه ای سابق می کنند.ما پیشنهاد می کنیم رویه ای برای کمک به محققان در کشف خوشه ها در داده های پانل.روش ماست بر اساس آستانه ماتریس واریانس-کواریانس تخمین زده شده و در ابعاد زمان به پانل نیاز دارد ، اما هیچ کمتری را تحمیل نمی کند به تعداد واحدها محدود شده است.ما نشان می دهیم که رویه ما واقعی را بازیابی می کند خوشه هایی با احتمال زیاد و بدون فرض در ساختار خوشه. خوشه های تخمین زده شده مستقل از علاقه هستند ، اما می توان از آنها نیز استفاده کرد در تست های تصادفی تقریبی یا با خوشه معمولی-روبست برآوردگرهای کواریانس.روشهای حاصل اندازه را کنترل می کنند و خوب هستند قدرت.

In this paper, we develop a method to assess the sensitivity of local average treatment effect estimates to potential violations of the monotonicity assumption of Imbens and Angrist (1994). We parameterize the degree to which monotonicity is violated using two sensitivity parameters: the first one determines the share of defiers in the population, and the second one measures differences in the distributions of outcomes between compliers and defiers. For each pair of values of these sensitivity parameters, we derive sharp bounds on the outcome distributions of compliers in the first-order stochastic dominance sense. We identify the robust region that is the set of all values of sensitivity parameters for which a given empirical conclusion, e.g. that the local average treatment effect is positive, is valid. Researchers can assess the credibility of their conclusion by evaluating whether all the plausible sensitivity parameters lie in the robust region. We obtain confidence sets for the robust region through a bootstrap procedure and illustrate the sensitivity analysis in an empirical application. We also extend this framework to analyze treatment effects of the entire population.

در این مقاله ، ما روشی را برای ارزیابی حساسیت متوسط محلی تهیه می کنیم تخمین اثر درمانی به نقض احتمالی یکنواختی فرض Imbens و Angrist (1994).ما درجه ای را که تا چه اندازه است پارامتر می کنیم یکنواختی با استفاده از دو پارامتر حساسیت نقض می شود: اولی سهم Defiers در جمعیت را تعیین می کند و مورد دوم اقدامات می کند تفاوت در توزیع نتایج بین تعارفات و مدافعان.برای هر جفت مقادیر این پارامترهای حساسیت ، ما مرزهای تیز را به دست می آوریم توزیع نتیجه تعارف در تسلط تصادفی مرتبه اول احساس، مفهوم.ما منطقه قوی را که مجموعه ای از همه مقادیر است شناسایی می کنیم پارامترهای حساسیت که برای آن نتیجه گیری تجربی داده شده ، به عنوان مثالکه اثر درمانی متوسط موضعی مثبت است ، معتبر است.محققان می توانند ارزیابی کنند اعتبار نتیجه گیری آنها با ارزیابی اینکه آیا همه افراد قابل قبول است پارامترهای حساسیت در منطقه قوی نهفته است.ما مجموعه اعتماد به نفس را برای منطقه قوی از طریق یک روش بوت استرپ و حساسیت را نشان می دهد تجزیه و تحلیل در یک برنامه تجربی.ما همچنین این چارچوب را برای تجزیه و تحلیل گسترش می دهیم اثرات درمانی کل جمعیت.

Testing for causation, defined as the preceding impact of the past values of one variable on the current value of another one when all other pertinent information is accounted for, is increasingly utilized in empirical research of the time-series data in different scientific disciplines. A relatively recent extension of this approach has been allowing for potential asymmetric impacts since it is harmonious with the way reality operates in many cases according to Hatemi-J (2012). The current paper maintains that it is also important to account for the potential change in the parameters when asymmetric causation tests are conducted, as there exists a number of reasons for changing the potential causal connection between variables across time. The current paper extends therefore the static asymmetric causality tests by making them dynamic via the usage of subsamples. An application is also provided consistent with measurable definitions of economic or financial bad as well as good news and their potential interaction across time.

آزمایش برای علیت ، به عنوان تأثیر قبلی مقادیر گذشته تعریف شده است یک متغیر در مقدار فعلی یکی دیگر وقتی همه مربوطه است اطلاعات به حساب می آید ، به طور فزاینده ای در تحقیقات تجربی از داده های سری زمانی در رشته های مختلف علمی.نسبتاً اخیر گسترش این روش امکان تأثیرات نامتقارن بالقوه را فراهم کرده است از آنجا Hatemi-J (2012).مقاله فعلی اظهار داشت که برای آن نیز مهم است تغییر احتمالی در پارامترها را در هنگام علیت نامتقارن حساب کنید آزمایشات انجام می شود ، زیرا دلایل زیادی برای تغییر وجود دارد ارتباط علّی بالقوه بین متغیرها در طول زمان.مقاله فعلی بنابراین با ایجاد پویا ، تست های علیت نامتقارن استاتیک را گسترش می دهد از طریق استفاده از زیر نمونه ها.یک برنامه نیز مطابق با تعاریف قابل اندازه گیری از بد اقتصادی یا مالی و همچنین اخبار خوب و تعامل احتمالی آنها در طول زمان.

Bayesian nonparametric estimates of Australian mental health distributions are obtained to assess how the mental health status of the population has changed over time and to compare the mental health status of female/male and indigenous/non-indigenous population subgroups. First- and second-order stochastic dominance are used to compare distributions, with results presented in terms of the posterior probability of dominance and the posterior probability of no dominance. Our results suggest mental health has deteriorated in recent years, that males mental health status is better than that of females, and non-indigenous health status is better than that of the indigenous population.

برآوردهای غیرپارامتری بیزی توزیع سلامت روان استرالیا برای ارزیابی وضعیت سلامت روان جمعیت به دست آمده است با گذشت زمان تغییر کرده و برای مقایسه وضعیت سلامت روان زن/مرد و زیر گروه های جمعیت بومی/غیر بومی.مرتبه اول و دوم از تسلط تصادفی برای مقایسه توزیع ، با نتایج ارائه شده استفاده می شود از نظر احتمال خلفی تسلط و خلفی احتمال عدم تسلط.نتایج ما نشان می دهد که سلامت روان رو به وخامت گذاشته است در سالهای اخیر ، این وضعیت سلامت روانی مردان بهتر از وضعیت است زنان و وضعیت سلامتی غیر بومی بهتر از بومیان است جمعیت

When conducting inference on partially identified parameters, confidence regions may cover the whole identified set with a prescribed probability, to which we will refer as set coverage, or they may cover each of its point with a prescribed probability, to which we will refer as point coverage. Since set coverage implies point coverage, confidence regions satisfying point coverage are generally preferred on the grounds that they may be more informative. The object of this note is to describe a decision problem in which, contrary to received wisdom, point coverage is clearly undesirable.

هنگام انجام استنباط در پارامترهای جزئی شناسایی شده ، اعتماد به نفس مناطق ممکن است کل مجموعه مشخص شده را با احتمال تعیین شده پوشش دهند ، که ما به عنوان پوشش تنظیم شده یاد خواهیم کرد ، یا ممکن است آنها هر یک از نکته های خود را با یک پوشش دهند احتمال تجویز شده ، که ما به عنوان پوشش نقطه به آن اشاره خواهیم کرد.از زمان مجموعه پوشش حاکی از پوشش نقطه ، مناطق اعتماد به نفس است که پوشش نقطه را برآورده می کند به طور کلی به این دلیل که ممکن است آموزنده تر باشد ترجیح داده می شوند.در هدف از این یادداشت توصیف یک مشکل تصمیم گیری است که در آن ، برخلاف خرد دریافت شده ، پوشش نقطه به وضوح نامطلوب است.

In this paper, a semiparametric partially linear model in the spirit of Robinson (1988) with Box- Cox transformed dependent variable is studied. Transformation regression models are widely used in applied econometrics to avoid misspecification. In addition, a partially linear semiparametric model is an intermediate strategy that tries to balance advantages and disadvantages of a fully parametric model and nonparametric models. A combination of transformation and partially linear semiparametric model is, thus, a natural strategy. The model parameters are estimated by a semiparametric extension of the so called smooth minimum distance (SmoothMD) approach proposed by Lavergne and Patilea (2013). SmoothMD is suitable for models defined by conditional moment conditions and allows the variance of the error terms to depend on the covariates. In addition, here we allow for infinite-dimension nuisance parameters. The asymptotic behavior of the new SmoothMD estimator is studied under general conditions and new inference methods are proposed. A simulation experiment illustrates the performance of the methods for finite samples.

در این مقاله ، یک مدل نیمه خطی نیمه خطی در روح رابینسون (1988) با متغیر وابسته تبدیل شده با جعبه- کاکس مورد بررسی قرار گرفته است. مدل های رگرسیون تحول به طور گسترده در اقتصاد سنجی کاربردی استفاده می شوند از شناسایی غلط خودداری کنید.علاوه بر این ، یک مدل نیمهرامتری جزئی خطی است یک استراتژی میانی که سعی می کند مزایا و مضرات آن را متعادل کند یک مدل کاملاً پارامتری و مدلهای غیر پارامتری.ترکیبی از تحول و تا حدی خطی مدل سمیپارامتری ، طبیعی است استراتژیپارامترهای مدل توسط یک پسوند نیمه پارامتری تخمین زده می شود رویکرد به اصطلاح صاف حداقل فاصله (SmoothMD) که توسط Lavergne ارائه شده است و پاتیل (2013).SmoothMD برای مدل های تعریف شده توسط مشروط مناسب است شرایط لحظه ای و اجازه می دهد تا واریانس اصطلاحات خطا به متغیرهای متغیرعلاوه بر این ، در اینجا ما اجازه می دهیم تا از ابعاد با نتیجه نامحدود استفاده کنیم مولفه های.رفتار بدون علامت برآوردگر SmoothMD جدید مورد بررسی قرار می گیرد در شرایط عمومی و روشهای جدید استنباط ارائه شده است.یک شبیه سازی آزمایش عملکرد روشهای نمونه های محدود را نشان می دهد.

This paper considers nonlinear measures of intergenerational income mobility such as (i) the effect of parents' permanent income on the entire distribution of child's permanent income, (ii) transition matrices, and (iii) rank-rank correlations when observed annual incomes are treated as measured-with-error versions of permanent incomes. We develop a new approach to identifying joint distributions in the presence of "two-sided" measurement error, and, hence, identify essentially all parameters of interest in the intergenerational income mobility literature. Using recent data from the 1997 National Longitudinal Study of Youth, we find that accounting for measurement error notably reduces various estimates of intergenerational mobility.

در این مقاله اقدامات غیرخطی از تحرک درآمد بین نسلی در نظر گرفته شده است مانند (i) تأثیر درآمد دائمی والدین بر کل توزیع درآمد دائمی کودک ، (ب) ماتریس انتقال ، و (iii) رتبه رتبه بندی همبستگی هنگامی که درآمد سالانه مشاهده می شود به عنوان با خطا اندازه گیری می شوند نسخه های درآمد دائمی.ما یک رویکرد جدید برای شناسایی مفصل ایجاد می کنیم توزیع در حضور خطای اندازه گیری "دو طرفه" ، و از این رو ، اساساً تمام پارامترهای مورد علاقه در درآمد بین نسلی را شناسایی کنید ادبیات تحرک.با استفاده از داده های اخیر از طولی ملی 1997 مطالعه جوانان ، می فهمیم که حسابداری برای خطای اندازه گیری به ویژه کاهش می یابد تخمین های مختلف از تحرک بین نسلی.

This paper proposes a flexible and analytically tractable class of frequency-severity models based on neural networks to parsimoniously capture important empirical observations. In the proposed two-part model, mean functions of frequency and severity distributions are characterized by neural networks to incorporate the non-linearity of input variables. Furthermore, it is assumed that the mean function of the severity distribution is an affine function of the frequency variable to account for a potential linkage between frequency and severity. We provide explicit closed-form formulas for the mean and variance of the aggregate loss within our modelling framework. Components of the proposed model including parameters of neural networks and distribution parameters can be estimated by minimizing the associated negative log-likelihood functionals with neural network architectures. Furthermore, we leverage the Shapely value and recent developments in machine learning to interpret the outputs of the model. Applications to a synthetic dataset and insurance claims data illustrate that our method outperforms the existing methods in terms of interpretability and predictive accuracy.

در این مقاله یک کلاس انعطاف پذیر و قابل تحلیلی از آن پیشنهاد شده است مدلهای فرکانس-فرکانس بر اساس شبکه های عصبی برای ضبط مشاهدات مهم تجربی.در مدل دو بخشی پیشنهادی ، میانگین توابع فرکانس و توزیع شدت توسط عصبی مشخص می شود شبکه هایی برای ترکیب غیر خطی متغیرهای ورودی.علاوه بر این ، آن فرض بر این است که میانگین عملکرد توزیع شدت یک وابسته است عملکرد متغیر فرکانس برای پیوند بالقوه بین فرکانس و شدتما فرمول های صریح بسته را برای میانگین ارائه می دهیم و واریانس از دست دادن کل در چارچوب مدل سازی ما.اجزاء از مدل پیشنهادی شامل پارامترهای شبکه های عصبی و توزیع پارامترها را می توان با به حداقل رساندن منفی مرتبط تخمین زد عملکردهای ورود به سیستم با معماری شبکه عصبی.علاوه بر این ، ما از ارزش های شکل و تحولات اخیر در یادگیری ماشین استفاده کنید خروجی های مدل را تفسیر کنید.برنامه های کاربردی به یک مجموعه داده مصنوعی و داده های مطالبات بیمه نشان می دهد که روش ما از موجود است روشها از نظر تفسیر و دقت پیش بینی.

In the context of the Covid-19 pandemic, multiple studies rely on two-way fixed effects (FE) models to assess the impact of mitigation policies on health outcomes. Building on the SIRD model of disease transmission, I show that FE models tend to be misspecified for three reasons. First, despite misleading common trends in the pre-treatment period, the parallel trends assumption generally does not hold. Second, heterogeneity in infection rates and infected populations across regions cannot be accounted for by region-specific fixed effects, nor by conditioning on observable time-varying confounders. Third, epidemiological theory predicts heterogeneous treatment effects across regions and over time. Via simulations, I find that the bias resulting from model misspecification can be substantial, in magnitude and sometimes in sign. Overall, my results caution against the use of FE models for mitigation policy evaluation.

در زمینه همه گیر Covid-19 ، مطالعات متعدد به دو طرفه متکی هستند مدلهای اثرات ثابت (FE) برای ارزیابی تأثیر سیاست های کاهش بر سلامت عواقب.با تکیه بر مدل SIRD انتقال بیماری ، نشان می دهم که FE مدل ها به سه دلیل تمایل به اشتباه دارند.اول ، با وجود گمراه کننده روند مشترک در دوره قبل از درمان ، فرض روندهای موازی به طور کلی نگه نمی دارد.دوم ، ناهمگونی در میزان عفونت و آلوده جمعیت در سراسر مناطق را نمی توان با ثابت منطقه خاص حساب کرد اثرات و نه با تهویه بر روی مخدوشان متغیر زمان مشاهده می شود.سوم، نظریه اپیدمیولوژیک اثرات درمانی ناهمگن را در مناطق پیش بینی می کند و با گذشت زماناز طریق شبیه سازی ، می فهمم که تعصب ناشی از مدل شناسایی غلط می تواند قابل توجه ، از نظر بزرگی و گاهی در علامت باشد. به طور کلی ، نتایج من نسبت به استفاده از مدل های FE برای سیاست کاهش احتیاط می کند ارزیابی:

In a classical model of the first-price sealed-bid auction with independent private values, we develop nonparametric estimation and inference procedures for a class of policy-relevant metrics, such as total expected surplus and expected revenue under counterfactual reserve prices. Motivated by the linearity of these metrics in the quantile function of bidders' values, we propose a bid spacings-based estimator of the latter and derive its Bahadur-Kiefer expansion. This makes it possible to construct exact uniform confidence bands and assess the optimality of a given auction rule. Using the data on U.S. Forest Service timber auctions, we test whether setting zero reserve prices in these auctions was revenue maximizing.

در یک مدل کلاسیک از حراج پلمپ-پیشنهاد شده با قیمت اول با مستقل ارزش های خصوصی ، ما تخمین و روشهای غیرپارامتری را توسعه می دهیم برای یک کلاس از معیارهای مرتبط با سیاست ، مانند کل مازاد مورد انتظار و درآمد پیش بینی شده با قیمت ذخیره ضد خلاف.با انگیزه توسط خطی بودن این معیارها در عملکرد کمی از مقادیر داوطلبان ، ما یک برآوردگر مبتنی بر فاصله دومی را پیشنهاد کنید و آن را استخراج کنید گسترش بهادور-کیفر.این امر باعث می شود ساخت دقیق لباس باندهای اعتماد به نفس و ارزیابی بهینه یک قانون حراج معین.با استفاده از اطلاعات مربوط به حراج های الوار خدمات جنگلی ایالات متحده ، ما آزمایش می کنیم که آیا صفر تنظیم شده است قیمت ذخیره در این حراج ها به حداکثر رساندن درآمد بود.

This paper analyzes difference-in-differences setups with a continuous treatment. We show that treatment effect on the treated-type parameters can be identified under a generalized parallel trends assumption that is similar to the binary treatment setup. However, interpreting differences in these parameters across different values of the treatment can be particularly challenging due to treatment effect heterogeneity. We discuss alternative, typically stronger, assumptions that alleviate these challenges. We also provide a variety of treatment effect decomposition results, highlighting that parameters associated with popular linear two-way fixed-effect (TWFE) specifications can be hard to interpret, \emph{even} when there are only two time periods. We introduce alternative estimation procedures that do not suffer from these TWFE drawbacks, and show in an application that they can lead to different conclusions.

در این مقاله تنظیمات تفاوت در اختلافات با یک مداوم مورد تجزیه و تحلیل قرار می گیرد رفتار.ما نشان می دهیم که اثر درمانی بر پارامترهای نوع درمان شده می تواند باشد تحت یک فرض روند موازی عمومی که مشابه آن است مشخص شده است تنظیم درمان باینری.با این حال ، تفسیر تفاوت در اینها پارامترهای موجود در مقادیر مختلف درمان می تواند به ویژه باشد به دلیل ناهمگونی اثر درمانی چالش برانگیز.ما در مورد جایگزین بحث می کنیم ، به طور معمول قوی تر ، فرضیاتی که این چالش ها را کاهش می دهد.ما همچنین انواع مختلفی از نتایج تجزیه اثر درمانی را ارائه می دهد ، و آن را برجسته می کند پارامترهای مرتبط با اثر ثابت دو طرفه خطی محبوب (TWFE) تفسیر مشخصات می تواند دشوار باشد ، \ amp {حتی} وقتی فقط دو نفر وجود دارد دوره های زمانیما روشهای تخمین جایگزین را معرفی می کنیم که رنج نمی برند از این اشکالاتی Twfe ، و در برنامه ای که می تواند منجر به آن شود نشان دهید نتیجه گیری های مختلف

This paper studies a dynamic ordered logit model for panel data with fixed effects. The main contribution of the paper is to construct a set of valid moment conditions that are free of the fixed effects. The moment functions can be computed using four or more periods of data, and the paper presents sufficient conditions for the moment conditions to identify the common parameters of the model, namely the regression coefficients, the autoregressive parameters, and the threshold parameters. The availability of moment conditions suggests that these common parameters can be estimated using the generalized method of moments, and the paper documents the performance of this estimator using Monte Carlo simulations and an empirical illustration to self-reported health status using the British Household Panel Survey.

در این مقاله یک مدل ورود به سیستم با سفارش پویا برای داده های پانل با ثابت بررسی شده است اثراتسهم اصلی مقاله ساخت مجموعه ای از معتبر است شرایط لحظه ای که عاری از اثرات ثابت است.عملکردهای لحظه ای می توانند با استفاده از چهار یا چند دوره داده محاسبه می شود و مقاله ارائه می شود شرایط کافی برای شرایط لحظه ای برای شناسایی مشترک پارامترهای مدل ، یعنی ضرایب رگرسیون ، خودجوش پارامترها ، و پارامترهای آستانه.در دسترس بودن شرایط لحظه نشان می دهد که این پارامترهای مشترک را می توان با استفاده از تعمیم تخمین زد روش لحظات و کاغذ عملکرد این برآوردگر را مستند می کند با استفاده از شبیه سازی مونت کارلو و یک تصویر تجربی برای گزارش خود وضعیت سلامت با استفاده از بررسی پنل خانگی انگلیس.

This paper shows that testability of reverse causality is possible even in the absence of exogenous variation, such as in the form of instrumental variables. Instead of relying on exogenous variation, we achieve testability by imposing relatively weak model restrictions. Our main assumption is that the true functional relationship is nonlinear and error terms are additively separable. In contrast to existing literature, we allow the error to be heteroskedastic, which is the case in most economic applications. Our procedure builds on reproducing kernel Hilbert space (RKHS) embeddings of probability distributions to test conditional independence. We show that the procedure provides a powerful tool to detect the causal direction in both Monte Carlo simulations and an application to German survey data. We can infer the causal direction between income and work experience (proxied by age) without relying on exogeneous variation.

این مقاله نشان می دهد که قابلیت آزمایش علیت معکوس حتی در عدم وجود تنوع اگزوژن ، مانند به شکل ابزاری متغیرهابه جای تکیه بر تنوع اگزوژن ، ما به تست پذیری می رسیم تحمیل محدودیت های مدل نسبتاً ضعیف.فرض اصلی ما این است که رابطه عملکردی واقعی غیرخطی است و اصطلاحات خطا به صورت افزودنی هستند از هم جدابرخلاف ادبیات موجود ، ما اجازه می دهیم این خطا باشد Heteroskedastic ، که در بیشتر کاربردهای اقتصادی موردی است.رویه ما بر روی تولید مثل فضای هسته هیلبرت (RKHS) تعبیه شده از احتمال توزیع برای آزمایش استقلال مشروط.ما نشان می دهیم که این روش ابزاری قدرتمند برای تشخیص جهت علیت در هر دو مونت کارلو فراهم می کند شبیه سازی ها و برنامه ای برای داده های نظرسنجی آلمانی.ما می توانیم علت را استنباط کنیم جهت بین درآمد و تجربه کار (با سن) بدون تکیه در مورد تنوع اگزوژن.

In nonlinear panel data models, fixed effects methods are often criticized because they cannot identify average marginal effects (AMEs) in short panels. The common argument is that the identification of AMEs requires knowledge of the distribution of unobserved heterogeneity, but this distribution is not identified in a fixed effects model with a short panel. In this paper, we derive identification results that contradict this argument. In a panel data dynamic logic model, and for T as small as four, we prove the point identification of different AMEs, including causal effects of changes in the lagged dependent variable or in the duration in last choice. Our proofs are constructive and provide simple closed-form expressions for the AMEs in terms of probabilities of choice histories. We illustrate our results using Monte Carlo experiments and with an empirical application of a dynamic structural model of consumer brand choice with state dependence.

در مدلهای داده پانل غیرخطی ، روشهای اثرات ثابت اغلب مورد انتقاد قرار می گیرند از آنجا که آنها نمی توانند اثرات حاشیه ای متوسط (AMES) را در پانل های کوتاه شناسایی کنند. استدلال متداول این است که شناسایی AMES نیاز به دانش دارد توزیع ناهمگونی بدون محافظت ، اما این توزیع نیست در یک مدل جلوه های ثابت با یک صفحه کوتاه مشخص شده است.در این مقاله ، ما نتایج شناسایی را بدست آورید که با این استدلال متناقض است.در یک داده پانل مدل منطق پویا ، و برای T به اندازه چهار ، ما این نکته را اثبات می کنیم شناسایی AME های مختلف ، از جمله اثرات علّی تغییرات در متغیر وابسته به عقب یا در مدت زمان آخرین انتخاب.اثبات ما است سازنده و بیان ساده و بسته ای برای AMES از نظر شرایط ارائه می دهد از احتمالات تاریخچه انتخاب.ما نتایج خود را با استفاده از مونت نشان می دهیم آزمایشات کارلو و با کاربرد تجربی از یک ساختاری پویا مدل انتخاب برند مصرف کننده با وابستگی دولتی.

We provide a review of recent developments in the calculation of standard errors and test statistics for statistical inference. While much of the focus of the last two decades in economics has been on generating unbiased coefficients, recent years has seen a variety of advancements in correcting for non-standard standard errors. We synthesize these recent advances in addressing challenges to conventional inference, like heteroskedasticity, clustering, serial correlation, and testing multiple hypotheses. We also discuss recent advancements in numerical methods, such as the bootstrap, wild bootstrap, and randomization inference. We make three specific recommendations. First, applied economists need to clearly articulate the challenges to statistical inference that are present in data as well as the source of those challenges. Second, modern computing power and statistical software means that applied economists have no excuse for not correctly calculating their standard errors and test statistics. Third, because complicated sampling strategies and research designs make it difficult to work out the correct formula for standard errors and test statistics, we believe that in the applied economics profession it should become standard practice to rely on asymptotic refinements to the distribution of an estimator or test statistic via bootstrapping. Throughout, we reference built-in and user-written Stata commands that allow one to quickly calculate accurate standard errors and relevant test statistics.

ما یک بررسی از تحولات اخیر در محاسبه استاندارد ارائه می دهیم خطاها و آمار آزمون برای استنباط آماری.در حالی که بیشتر تمرکز دارد از دو دهه گذشته در اقتصاد در ایجاد بی طرفانه بوده است ضرایب ، سالهای اخیر پیشرفتهای متنوعی در تصحیح برای خطاهای استاندارد غیر استاندارد.ما این پیشرفت های اخیر را در پرداختن به آنها سنتز می کنیم چالش های استنباط معمولی ، مانند ناهمگونی ، خوشه بندی ، همبستگی سریال و آزمایش فرضیه های متعدد.ما همچنین در مورد اخیر بحث می کنیم پیشرفت در روشهای عددی ، مانند بوت استرپ ، بوت استرپ وحشی و استنباط تصادفی.ما سه توصیه خاص را ارائه می دهیم.اول ، اعمال شده اقتصاددانان باید چالش های استنباط آماری را به وضوح بیان کنند که در داده ها و همچنین منبع آن چالش ها وجود دارند.دومین، قدرت محاسبات مدرن و نرم افزار آماری به معنای اقتصاددانان کاربردی است هیچ بهانه ای برای محاسبه صحیح خطاهای استاندارد و آزمایش آنها ندارید آمار.سوم ، زیرا استراتژی های نمونه برداری پیچیده و طرح های تحقیقاتی استفاده از فرمول صحیح برای خطاهای استاندارد و آزمایش را دشوار کنید آمار ، ما معتقدیم که در حرفه اقتصاد کاربردی باید برای تکیه بر اصلاحات بدون علامت به توزیع ، به یک روش استاندارد تبدیل شوید از یک برآوردگر یا آمار آزمون از طریق بوت استرپ.در سراسر ، ما مرجع هستیم دستورات Stata داخلی و نوشته شده توسط کاربر که به فرد اجازه می دهد سریع محاسبه کند خطاهای استاندارد دقیق و آمار آزمون مربوطه.

Maximum likelihood estimation of large Markov-switching vector autoregressions (MS-VARs) can be challenging or infeasible due to parameter proliferation. To accommodate situations where dimensionality may be of comparable order to or exceeds the sample size, we adopt a sparse framework and propose two penalized maximum likelihood estimators with either the Lasso or the smoothly clipped absolute deviation (SCAD) penalty. We show that both estimators are estimation consistent, while the SCAD estimator also selects relevant parameters with probability approaching one. A modified EM-algorithm is developed for the case of Gaussian errors and simulations show that the algorithm exhibits desirable finite sample performance. In an application to short-horizon return predictability in the US, we estimate a 15 variable 2-state MS-VAR(1) and obtain the often reported counter-cyclicality in predictability. The variable selection property of our estimators helps to identify predictors that contribute strongly to predictability during economic contractions but are otherwise irrelevant in expansions. Furthermore, out-of-sample analyses indicate that large MS-VARs can significantly outperform "hard-to-beat" predictors like the historical average.

حداکثر برآورد احتمال بردار بزرگ تغییر دهنده مارکوف Autoregressions (MS-VARS) به دلیل پارامتر می تواند چالش برانگیز یا غیرقابل تحمل باشد افزایش.برای قرار دادن موقعیت هایی که ممکن است ابعاد باشد سفارش قابل مقایسه با اندازه نمونه یا فراتر از آن ، ما یک چارچوب پراکنده را اتخاذ می کنیم و دو برآوردگر حداکثر احتمال مجازات را با Lasso یا مجازات انحراف مطلق (SCAD) به آرامی قطع شد.ما نشان می دهیم که هر دو برآوردگرها برآورد سازگار هستند ، در حالی که برآوردگر SCAD نیز انتخاب می کند پارامترهای مربوطه با احتمال نزدیک شدن به یک.یک الگوریتم EM اصلاح شده برای مورد خطاهای گاوسی ساخته شده است و شبیه سازی ها نشان می دهد که الگوریتم عملکرد نمونه محدود مطلوب را نشان می دهد.در یک برنامه به پیش بینی بازگشت افق کوتاه در ایالات متحده ، ما یک متغیر 15 را تخمین می زنیم MS-VAR 2-State (1) و به دست آوردن ضد چرخه اغلب گزارش شده در قابلیت پیش بینیخاصیت انتخاب متغیر برآوردگرهای ما کمک می کند پیش بینی کننده هایی را که به شدت در پیش بینی پذیری در طول اقتصادی کمک می کنند ، شناسایی کنید انقباضات اما در غیر این صورت در انبساط ها بی ربط نیستند.علاوه بر این، تجزیه و تحلیل خارج از نمونه نشان می دهد که VAR های بزرگ MS-VAR می توانند به طور قابل توجهی بهتر عمل کنند پیش بینی کننده های "سخت ضرب و شتم" مانند میانگین تاریخی.

This paper considers identification and inference for the distribution of treatment effects conditional on observable covariates. Since the conditional distribution of treatment effects is not point identified without strong assumptions, we obtain bounds on the conditional distribution of treatment effects by using the Makarov bounds. We also consider the case where the treatment is endogenous and propose two stochastic dominance assumptions to tighten the bounds. We develop a nonparametric framework to estimate the bounds and establish the asymptotic theory that is uniformly valid over the support of treatment effects. An empirical example illustrates the usefulness of the methods.

در این مقاله ، شناسایی و استنباط توزیع در نظر گرفته شده است اثرات درمانی مشروط بر متغیرهای قابل مشاهده است.از زمان مشروط توزیع اثرات درمانی بدون قوی مشخص نمی شود فرضیات ، ما در توزیع مشروط به درمان محدودیت هایی به دست می آوریم اثرات با استفاده از مرزهای ماکاروف.ما همچنین موردی را در نظر می گیریم که درمان درون زا است و دو فرضیه تسلط تصادفی را به مرزها را محکم کنید.ما یک چارچوب غیرپارامتری برای برآورد مرزها ایجاد می کنیم و نظریه بدون علامت را ایجاد کنید که به طور یکنواخت نسبت به حمایت از آن معتبر باشد اثرات درمانی.یک مثال تجربی سودمندی را نشان می دهد مواد و روش ها.

We introduce a sequential estimator for continuous time dynamic discrete choice models (single-agent models and games) by adapting the nested pseudo likelihood (NPL) estimator of Aguirregabiria and Mira (2002, 2007), developed for discrete time models with discrete time data, to the continuous time case with data sampled either discretely (i.e., uniformly-spaced snapshot data) or continuously. We establish conditions for consistency and asymptotic normality of the estimator, a local convergence condition, and, for single agent models, a zero Jacobian property assuring local convergence. We carry out a series of Monte Carlo experiments using an entry-exit game with five heterogeneous firms to confirm the large-sample properties and demonstrate finite-sample bias reduction via iteration. In our simulations we show that the convergence issues documented for the NPL estimator in discrete time models are less likely to affect comparable continuous-time models. We also show that there can be large bias in economically-relevant parameters, such as the competitive effect and entry cost, from estimating a misspecified discrete time model when in fact the data generating process is a continuous time model.

ما یک برآوردگر متوالی را برای زمان مداوم پویا گسسته معرفی می کنیم مدل های انتخاب (مدل ها و بازی های تک عامل) با تطبیق شبه تو در تو برآوردگر احتمال (NPL) از Aguirregabiria و Mira (2002 ، 2007) ، توسعه یافته است برای مدل های زمانی گسسته با داده های زمانی گسسته ، به زمان مداوم زمان با استفاده از داده ها به صورت گسسته (یعنی داده های عکس فوری با فاصله یکنواخت) یا به طور مداوم.ما شرایطی را برای قوام و عادی بودن بدون علامت ایجاد می کنیم از برآوردگر ، یک شرط همگرایی محلی ، و برای مدلهای عامل واحد ، یک خاصیت صفر ژاکوبیایی که به همگرایی محلی اطمینان می دهد.ما یک سری از آزمایش های مونت کارلو با استفاده از یک بازی ورودی با پنج شرکت ناهمگن برای تأیید خصوصیات نمونه بزرگ و نشان دادن تعصب نمونه محدود کاهش از طریق تکرار.در شبیه سازی های ما نشان می دهیم که مسائل همگرایی مستند برای برآوردگر NPL در مدلهای زمانی گسسته کمتر احتمال دارد بر مدلهای زمان مداوم قابل مقایسه تأثیر می گذارد.ما همچنین نشان می دهیم که می تواند بزرگ باشد تعصب در پارامترهای مرتبط با اقتصادی ، مانند اثر رقابتی و هزینه ورود ، از برآورد یک مدل زمان گسسته اشتباه غلط در واقع فرآیند تولید داده ها یک مدل زمانی مداوم است.

The fixed-effects model estimates the regressor effects on the mean of the response, which is inadequate to summarize the variable relationships in the presence of heteroscedasticity. In this paper, we adapt the asymmetric least squares (expectile) regression to the fixed-effects model and propose a new model: expectile regression with fixed-effects $(\ERFE).$ The $\ERFE$ model applies the within transformation strategy to concentrate out the incidental parameter and estimates the regressor effects on the expectiles of the response distribution. The $\ERFE$ model captures the data heteroscedasticity and eliminates any bias resulting from the correlation between the regressors and the omitted factors. We derive the asymptotic properties of the $\ERFE$ estimators and suggest robust estimators of its covariance matrix. Our simulations show that the $\ERFE$ estimator is unbiased and outperforms its competitors. Our real data analysis shows its ability to capture data heteroscedasticity (see our R package, \url{github.com/AmBarry/erfe}).

مدل اثرات ثابت اثرات رگرسیون را بر روی میانگین تخمین می زند پاسخ ، که برای خلاصه کردن روابط متغیر در حضور ناهمگونی.در این مقاله ، ما حداقل نامتقارن را تطبیق می دهیم رگرسیون مربع (انتظار) به مدل اثرات ثابت و پیشنهاد جدید مدل: رگرسیون انتظار با اثرات ثابت $ (\ erfe). $ مدل \ erfe $ $ استراتژی درون تحول را برای تمرکز حادثه اعمال می کند پارامتر و اثرات رگرسیون را بر روی انتظارات پاسخ تخمین می زند توزیعمدل $ \ erfe $ ، ناهمگونی داده ها را ضبط می کند و هرگونه تعصب ناشی از همبستگی بین رگرسیون و عوامل حذف شدهما خصوصیات بدون علامت $ \ erfe $ را استخراج می کنیم برآوردگرها و برآوردگرهای قوی از ماتریس کواریانس آن را پیشنهاد می کنند.ما شبیه سازی ها نشان می دهد که برآوردگر $ \ erfe $ بی طرفانه است و از آن بهتر است رقباتجزیه و تحلیل داده های واقعی ما توانایی آن در ضبط داده ها را نشان می دهد Heteroscedasticity (به بسته R ما ، \ url {github.com/ambarry/erfe} مراجعه کنید).

This paper proposes a new method of inference in high-dimensional regression models and high-dimensional IV regression models. Estimation is based on a combined use of the orthogonal greedy algorithm, high-dimensional Akaike information criterion, and double/debiased machine learning. The method of inference for any low-dimensional subvector of high-dimensional parameters is based on a root-$N$ asymptotic normality, which is shown to hold without requiring the exact sparsity condition or the $L^p$ sparsity condition. Simulation studies demonstrate superior finite-sample performance of this proposed method over those based on the LASSO or the random forest, especially under less sparse models. We illustrate an application to production analysis with a panel of Chilean firms.

در این مقاله روش جدیدی برای استنباط در رگرسیون با ابعاد بالا پیشنهاد شده است مدل ها و مدل های رگرسیون IV با ابعاد بالا.تخمین بر اساس a است استفاده ترکیبی از الگوریتم حریص متعامد ، Akaike با ابعاد بالا معیار اطلاعات ، و یادگیری ماشین مضاعف/debiased.روش استنتاج برای هر زیر قطار کم بعدی از پارامترهای با ابعاد بالا است بر اساس یک نرمال بودن بدون علامت $ $ n $ ، که نشان داده شده است بدون آن نیاز به شرایط دقیق پراکندگی یا شرایط کمبود $ L^P $. مطالعات شبیه سازی نشان دهنده عملکرد نمونه محدود برتر از این است روش پیشنهادی بیش از موارد مبتنی بر لاسو یا جنگل تصادفی ، به ویژه تحت مدلهای کم کم.ما یک برنامه برای تجزیه و تحلیل تولید را نشان می دهیم با یک تابلوی شرکت های شیلی.

I develop a feasible weighted projected principal component (FPPC) analysis for factor models in which observable characteristics partially explain the latent factors. This novel method provides more efficient and accurate estimators than existing methods. To increase estimation efficiency, I take into account both cross-sectional dependence and heteroskedasticity by using a consistent estimator of the inverse error covariance matrix as the weight matrix. To improve accuracy, I employ a projection approach using characteristics because it removes noise components in high-dimensional factor analysis. By using the FPPC method, estimators of the factors and loadings have faster rates of convergence than those of the conventional factor analysis. Moreover, I propose an FPPC-based diffusion index forecasting model. The limiting distribution of the parameter estimates and the rate of convergence for forecast errors are obtained. Using U.S. bond market and macroeconomic data, I demonstrate that the proposed model outperforms models based on conventional principal component estimators. I also show that the proposed model performs well among a large group of machine learning techniques in forecasting excess bond returns.

من تجزیه و تحلیل مؤلفه اصلی پیش بینی شده با وزنی (FPPC) را توسعه می دهم برای مدلهای عاملی که در آن خصوصیات قابل مشاهده تا حدی توضیح می دهد عوامل نهفتهاین روش جدید کارآمدتر و دقیق تر را ارائه می دهد برآوردگرها نسبت به روشهای موجود.برای افزایش راندمان تخمین ، من می گیرم با استفاده از a ، وابستگی مقطعی و ناهمگونی را در نظر بگیرید برآوردگر مداوم از ماتریس کواریانس خطای معکوس به عنوان وزن ماتریسبرای بهبود صحت ، من از یک رویکرد پیش بینی با استفاده استفاده می کنم خصوصیات زیرا اجزای سر و صدا را در فاکتور ابعادی بالا حذف می کند تحلیل و بررسی.با استفاده از روش FPPC ، برآوردگرهای عوامل و بارگذاری نرخ همگرایی سریعتر از تجزیه و تحلیل عاملی معمولی. علاوه بر این ، من یک مدل پیش بینی شاخص انتشار مبتنی بر FPPC را پیشنهاد می کنم.در محدود کننده توزیع برآورد پارامتر و میزان همگرایی برای خطاهای پیش بینی به دست می آید.استفاده از بازار اوراق بهادار ایالات متحده و اقتصاد کلان داده ها ، من نشان می دهم که مدل پیشنهادی از مدلهای مبتنی بر مدل های بهتر عمل می کند برآوردگرهای مؤلفه اصلی متعارف.من همچنین نشان می دهم که پیشنهادی مدل در بین گروه بزرگی از تکنیک های یادگیری ماشین در عملکرد خوبی دارد پیش بینی بازده اوراق قرضه اضافی.

Double machine learning (DML) has become an increasingly popular tool for automated variable selection in high-dimensional settings. Even though the ability to deal with a large number of potential covariates can render selection-on-observables assumptions more plausible, there is at the same time a growing risk that endogenous variables are included, which would lead to the violation of conditional independence. This paper demonstrates that DML is very sensitive to the inclusion of only a few "bad controls" in the covariate space. The resulting bias varies with the nature of the theoretical causal model, which raises concerns about the feasibility of selecting control variables in a data-driven way.

یادگیری ماشین دوتایی (DML) به ابزاری فزاینده محبوب تبدیل شده است انتخاب متغیر خودکار در تنظیمات با ابعاد بالا.حتی اگر امکان مقابله با تعداد زیادی از متغیرهای بالقوه می توانند ارائه دهند فرضیات انتخاب بر روی obsinvables قابل قبول تر است ، در همان زمان وجود دارد خطر فزاینده ای که متغیرهای درون زا در آن گنجانده شده است ، که منجر به آن می شود نقض استقلال مشروط.این مقاله نشان می دهد که DML بسیار است حساس به گنجاندن تنها چند "کنترل بد" در فضای متغیر. تعصب حاصل با ماهیت مدل علیت نظری متفاوت است ، که نگرانی در مورد امکان سنجی انتخاب متغیرهای کنترل در a روش داده محور

We develop a framework for difference-in-differences designs with staggered treatment adoption and heterogeneous causal effects. We show that conventional regression-based estimators fail to provide unbiased estimates of relevant estimands absent strong restrictions on treatment-effect homogeneity. We then derive the efficient estimator addressing this challenge, which takes an intuitive "imputation" form when treatment-effect heterogeneity is unrestricted. We characterize the asymptotic behavior of the estimator, propose tools for inference, and develop tests for identifying assumptions. Our method applies with time-varying controls, in triple-difference designs, and with certain non-binary treatments. We show the practical relevance of our results in a simulation study and an application. Studying the consumption response to tax rebates in the United States, we find that the notional marginal propensity to consume is between 8 and 11 percent in the first quarter - about half as large as benchmark estimates used to calibrate macroeconomic models - and predominantly occurs in the first month after the rebate.

ما چارچوبی برای طرح های اختلاف در اختلافات با مبهم ایجاد می کنیم اتخاذ درمان و اثرات علّی ناهمگن.ما آن را متعارف نشان می دهیم برآوردگرهای مبتنی بر رگرسیون نتوانند برآوردهای بی طرفانه مربوط به برآوردها محدودیت های قوی در یکدست بودن اثر درمانی و اثر وجود ندارد.سپس ما برآوردگر کارآمد را که به این چالش می پردازد ، استخراج کنید. شکل "تحمیل" بصری هنگامی که ناهمگونی اثر درمانی است نامحدودما رفتار بدون علامت برآوردگر را توصیف می کنیم ، پیشنهاد می کنیم ابزارهایی برای استنباط ، و تست هایی برای شناسایی فرضیات.روش ما با کنترل های متغیر زمان ، در طرح های اختلاف سه برابر و با برخی از درمان های غیر باینری.ما ارتباط عملی نتایج خود را نشان می دهیم در یک مطالعه شبیه سازی و یک برنامه.مطالعه پاسخ مصرف به تخفیف های مالیاتی در ایالات متحده ، می فهمیم که گرایش حاشیه ای مفهومی مصرف در سه ماهه اول بین 8 تا 11 درصد است - تقریباً نیمی از آن برآوردهای معیار بزرگ برای کالیبراسیون مدلهای کلان اقتصادی - و عمدتا در ماه اول پس از تخفیف رخ می دهد.

We study the wild bootstrap inference for instrumental variable regressions with a small number of large clusters. We first show that the wild bootstrap Wald test controls size asymptotically up to a small error as long as the parameters of endogenous variables are strongly identified in at least one of the clusters. Second, we establish the conditions for the bootstrap tests to have power against local alternatives.We further develop a wild bootstrap Anderson-Rubin test for the full-vector inference and show that it controls size asymptotically even under weak identification in all clusters. We illustrate their good performance using simulations and provide an empirical application to a well-known dataset about US local labor markets.

ما استنباط بوت استرپ وحشی را برای رگرسیون متغیر ابزاری مطالعه می کنیم با تعداد کمی از خوشه های بزرگ.ما ابتدا نشان می دهیم که بوت استستراپ وحشی تست والد اندازه را به صورت بدون علامت تا یک خطای کوچک کنترل می کند تا زمانی که پارامترهای متغیرهای درون زا حداقل در یکی از آنها به شدت مشخص می شوند خوشه هادوم ، ما شرایط را برای تست های بوت استرپ تعیین می کنیم در برابر گزینه های محلی قدرت داشته باشید. ما بیشتر یک بوت استستراپ وحشی را توسعه می دهیم تست اندرسون-روبین برای استنباط کامل بردار و نشان می دهد که کنترل می کند اندازه بدون علامت حتی در شناسایی ضعیف در همه خوشه ها.ما عملکرد خوب آنها را با استفاده از شبیه سازی ها نشان می دهد و یک تجربی ارائه می دهد درخواست به یک مجموعه داده مشهور در مورد بازارهای محلی کار ایالات متحده.

In a recent paper Juodis and Reese (2021) (JR) show that the application of the CD test proposed by Pesaran (2004) to residuals from panels with latent factors results in over-rejection and propose a randomized test statistic to correct for over-rejection, and add a screening component to achieve power. This paper considers the same problem but from a different perspective and shows that the standard CD test remains valid if the latent factors are weak, and proposes a simple bias-corrected CD test, labelled CD*, which is shown to be asymptotically normal, irrespective of whether the latent factors are weak or strong. This result is shown to hold for pure latent factor models as well as for panel regressions with latent factors. Small sample properties of the CD* test are investigated by Monte Carlo experiments and are shown to have the correct size and satisfactory power for both Gaussian and non-Gaussian errors. In contrast, it is found that JR's test tends to over-reject in the case of panels with non-Gaussian errors, and have low power against spatial network alternatives. The use of the CD* test is illustrated with two empirical applications from the literature.

در مقاله اخیر Joodis و Reese (2021) (JR) نشان می دهند که کاربرد آزمایش CD که توسط Pesaran (2004) به باقیمانده از پانل هایی با نهفته پیشنهاد شده است عوامل منجر به رد بیش از حد می شوند و یک آمار آزمون تصادفی را به برای جبران بیش از حد صحیح ، و یک مؤلفه غربالگری برای دستیابی به قدرت اضافه کنید. در این مقاله مشکل مشابه اما از دیدگاه متفاوت و نشان می دهد که اگر عوامل نهفته ضعیف باشد ، آزمون CD استاندارد معتبر است ، و یک تست CD اصلاح شده با تعصب ساده ، برچسب CD*را پیشنهاد می کند ، که نشان داده شده است بدون توجه به اینکه آیا عوامل نهفته ضعیف هستند ، بدون علامت طبیعی باشید یا قویاین نتیجه برای مدلهای فاکتور نهفته خالص نیز نشان داده شده است در مورد رگرسیون پانل با عوامل نهفته.خواص نمونه کوچک از آزمایش CD* توسط آزمایش های مونت کارلو مورد بررسی قرار گرفته و نشان داده شده است اندازه صحیح و قدرت رضایت بخش برای هر دو خطای گاوسی و غیر گاوسی. در مقابل ، مشخص شده است که آزمایش JR در مورد بیش از حد تمایل دارد پانل هایی با خطاهای غیر گاوسی و در برابر شبکه فضایی قدرت کم دارند جایگزین، گزینه ها.استفاده از آزمون CD* با دو تجربی نشان داده شده است برنامه های کاربردی از ادبیات.

This survey is organized around three main topics: models, econometrics, and empirical applications. Section 2 presents the theoretical framework, introduces the concept of Markov Perfect Nash Equilibrium, discusses existence and multiplicity, and describes the representation of this equilibrium in terms of conditional choice probabilities. We also discuss extensions of the basic framework, including models in continuous time, the concepts of oblivious equilibrium and experience-based equilibrium, and dynamic games where firms have non-equilibrium beliefs. In section 3, we first provide an overview of the types of data used in this literature, before turning to a discussion of identification issues and results, and estimation methods. We review different methods to deal with multiple equilibria and large state spaces. We also describe recent developments for estimating games in continuous time and incorporating serially correlated unobservables, and discuss the use of machine learning methods to solving and estimating dynamic games. Section 4 discusses empirical applications of dynamic games in IO. We start describing the first empirical applications in this literature during the early 2000s. Then, we review recent applications dealing with innovation, antitrust and mergers, dynamic pricing, regulation, product repositioning, advertising, uncertainty and investment, airline network competition, dynamic matching, and natural resources. We conclude with our view of the progress made in this literature and the remaining challenges.

این نظرسنجی در حدود سه موضوع اصلی برگزار می شود: مدل ها ، اقتصاد سنج و برنامه های تجربی.بخش 2 چارچوب نظری را ارائه می دهد ، مفهوم تعادل Nash Markov Perfect Nash را معرفی می کند ، در مورد وجود بحث می کند و تعدد ، و نمایندگی این تعادل را از نظر توصیف می کند از احتمالات انتخاب مشروط.ما همچنین در مورد پسوندهای اساسی بحث می کنیم چارچوب ، از جمله مدل ها در زمان مداوم ، مفاهیم فراموشی تعادل و تعادل مبتنی بر تجربه و بازی های پویا که در آن شرکت ها باورهای غیر تعادلی داشته باشید.در بخش 3 ، ما ابتدا یک مرور کلی از انواع داده های مورد استفاده در این ادبیات ، قبل از اینکه به بحث بپردازند مسائل و نتایج شناسایی و روشهای تخمین.ما متفاوت مرور می کنیم روشهای مقابله با تعادل متعدد و فضاهای بزرگ.ما همچنین تحولات اخیر برای برآورد بازی ها در زمان مداوم و ترکیب غیر قابل توجه سریال همبسته ، و در مورد استفاده از دستگاه بحث کنید روشهای یادگیری برای حل و برآورد بازی های پویا.بخش 4 بحث می کند برنامه های تجربی بازی های پویا در IO.ما شروع به توصیف اولین می کنیم کاربردهای تجربی در این ادبیات در اوایل دهه 2000.سپس ، ما برنامه های اخیر مربوط به نوآوری ، ضد انحصار و ادغام را مرور کنید ، قیمت گذاری پویا ، تنظیم ، تغییر مجدد محصول ، تبلیغات ، عدم اطمینان و سرمایه گذاری ، رقابت شبکه هواپیمایی ، تطبیق پویا و طبیعی منابعما با دیدگاه خود در مورد پیشرفت های این ادبیات نتیجه می گیریم و چالش های باقی مانده

As increasingly popular metrics of worker and institutional quality, estimated value-added (VA) measures are now widely used as dependent or explanatory variables in regressions. For example, VA is used as an explanatory variable when examining the relationship between teacher VA and students' long-run outcomes. Due to the multi-step nature of VA estimation, the standard errors (SEs) researchers routinely use when including VA measures in OLS regressions are incorrect. In this paper, I show that the assumptions underpinning VA models naturally lead to a generalized method of moments (GMM) framework. Using this insight, I construct correct SEs' for regressions that use VA as an explanatory variable and for regressions where VA is the outcome. In addition, I identify the causes of incorrect SEs when using OLS, discuss the need to adjust SEs under different sets of assumptions, and propose a more efficient estimator for using VA as an explanatory variable. Finally, I illustrate my results using data from North Carolina, and show that correcting SEs results in an increase that is larger than the impact of clustering SEs.

به طور فزاینده معیارهای محبوب کارگران و کیفیت نهادی ، اقدامات برآورد شده ارزش افزوده (VA) اکنون به طور گسترده ای به عنوان وابسته یا متغیرهای توضیحی در رگرسیون.به عنوان مثال ، VA به عنوان یک توضیحی استفاده می شود متغیر هنگام بررسی رابطه بین معلم VA و دانش آموزان نتایج بلند مدتبا توجه به ماهیت چند مرحله ای تخمین VA ، استاندارد خطاها (SES) محققان به طور معمول هنگام استفاده از اقدامات VA در OLS استفاده می کنند رگرسیون نادرست است.در این مقاله ، من نشان می دهم که فرضیات زیربنای مدلهای VA به طور طبیعی منجر به یک روش کلی از لحظات (GMM) می شود چارچوببا استفاده از این بینش ، من SES صحیح را برای رگرسیون می سازم که از VA به عنوان یک متغیر توضیحی و برای رگرسیون که نتیجه آن است استفاده کنید. علاوه بر این ، من دلایل SES نادرست هنگام استفاده از OLS را شناسایی می کنم ، در مورد نیاز به تنظیم SES در مجموعه های مختلف فرضیات و پیشنهاد بیشتر برآوردگر کارآمد برای استفاده از VA به عنوان یک متغیر توضیحی.سرانجام من نتایج من را با استفاده از داده های کارولینای شمالی نشان دهید ، و آن را تصحیح کنید SES منجر به افزایش بزرگتر از تأثیر SES خوشه بندی می شود.

We analyze the multilayer architecture of the global input-output network using sectoral trade data (WIOD, 2016 release). With a focus on the mesoscale structure and related properties, our multilayer analysis takes into consideration the splitting into industry-based layers in order to catch more peculiar relationships between countries that cannot be detected from the analysis of the single-layer aggregated network. We can identify several large international communities in which some countries trade more intensively in some specific layers. However, interestingly, our results show that these clusters can restructure and evolve over time. In general, not only their internal composition changes, but the centrality rankings of the members inside are also reordered, industries from some countries diminishing their role and others from other countries growing importance. These changes in the large international clusters may reflect the outcomes and the dynamics of cooperation, partner selection and competition among industries and among countries in the global input-output network.

ما معماری چند لایه شبکه جهانی ورودی-خروجی را تجزیه و تحلیل می کنیم با استفاده از داده های تجارت بخش (WIOD ، نسخه 2016).با تمرکز روی mesoscale ساختار و خصوصیات مرتبط ، تجزیه و تحلیل چند لایه ما به آن می رسد در نظر گرفتن تقسیم به لایه های مبتنی بر صنعت برای گرفتن بیشتر روابط عجیب و غریب بین کشورهایی که از آن قابل تشخیص نیستند تجزیه و تحلیل شبکه جمع شده تک لایه.ما می توانیم چندین بزرگ را شناسایی کنیم جوامع بین المللی که برخی از کشورها با شدت بیشتری در آن تجارت می کنند برخی از لایه های خاصبا این حال ، جالب اینجاست که نتایج ما نشان می دهد که اینها خوشه ها می توانند با گذشت زمان بازسازی و تکامل پیدا کنند.به طور کلی ، نه تنها آنها ترکیب داخلی تغییر می کند ، اما رتبه بندی مرکزیت اعضای داخل همچنین مرتب شده اند ، صنایع برخی از کشورها نقش خود را کاهش می دهند و دیگران از سایر کشورها از اهمیت بالایی برخوردار هستند.این تغییرات در بزرگ خوشه های بین المللی ممکن است نتایج و پویایی های آن را منعکس کنند همکاری ، انتخاب شریک و رقابت بین صنایع و در میان کشورهایی که در شبکه جهانی-خروجی هستند.

This paper focuses on a setting with observations having a cluster dependence structure and presents two main impossibility results. First, we show that when there is only one large cluster, i.e., the researcher does not have any knowledge on the dependence structure of the observations, it is not possible to consistently discriminate the mean. When within-cluster observations satisfy the uniform central limit theorem, we also show that a sufficient condition for consistent $\sqrt{n}$-discrimination of the mean is that we have at least two large clusters. This result shows some limitations for inference when we lack information on the dependence structure of observations. Our second result provides a necessary and sufficient condition for the cluster structure that the long run variance is consistently estimable. Our result implies that when there is at least one large cluster, the long run variance is not consistently estimable.

این مقاله به یک تنظیم با مشاهدات دارای وابستگی خوشه ای می پردازد ساختار و دو نتیجه اصلی غیرممکن را ارائه می دهد.اول ، ما این را نشان می دهیم فقط یک خوشه بزرگ وجود دارد ، یعنی محقق هیچ چیزی ندارد دانش در مورد ساختار وابستگی مشاهدات ، امکان پذیر نیست برای تبعیض مداوم میانگین.هنگامی که مشاهدات درون خوشه ای برآورده می شود قضیه محدودیت مرکزی یکنواخت ، ما همچنین نشان می دهیم که یک شرط کافی برای $ $ \ sqrt {n} $-تبعیض میانگین این است که حداقل دو نفر داریم خوشه های بزرگاین نتیجه محدودیت هایی را برای استنباط در صورت عدم وجود نشان می دهد اطلاعات مربوط به ساختار وابستگی مشاهدات.نتیجه دوم ما یک شرط لازم و کافی برای ساختار خوشه ای فراهم می کند که واریانس بلند مدت به طور مداوم قابل تخمین است.نتیجه ما حاکی از آن است که چه زمانی حداقل یک خوشه بزرگ وجود دارد ، واریانس بلند مدت به طور مداوم نیست برآورد

Estimating a causal effect from observational data can be biased if we do not control for self-selection. This selection is based on confounding variables that affect the treatment assignment and the outcome. Propensity score methods aim to correct for confounding. However, not all covariates are confounders. We propose the outcome-adaptive random forest (OARF) that only includes desirable variables for estimating the propensity score to decrease bias and variance. Our approach works in high-dimensional datasets and if the outcome and propensity score model are non-linear and potentially complicated. The OARF excludes covariates that are not associated with the outcome, even in the presence of a large number of spurious variables. Simulation results suggest that the OARF produces unbiased estimates, has a smaller variance and is superior in variable selection compared to other approaches. The results from two empirical examples, the effect of right heart catheterization on mortality and the effect of maternal smoking during pregnancy on birth weight, show comparable treatment effects to previous findings but tighter confidence intervals and more plausible selected variables.

اگر این کار را نکنیم ، می توان اثر علی را از داده های مشاهده ای مغرضانه کرد کنترل برای انتخاب خود.این انتخاب مبتنی بر متغیرهای مخدوش است این امر بر تکلیف درمان و نتیجه تأثیر می گذارد.روش نمره گرایش هدف برای تصحیح مخدوش.با این حال ، همه متغیرها گیج کننده نیستند.ما جنگل تصادفی سازگار با نتیجه (OARF) را که فقط مطلوب را شامل می شود پیشنهاد دهید متغیرهای برای برآورد نمره تمایل برای کاهش تعصب و واریانس. رویکرد ما در مجموعه داده های با ابعاد بالا کار می کند و اگر نتیجه و مدل نمره گرایش غیر خطی و بالقوه پیچیده است.اوارف متغیرهایی را که با نتیجه همراه نیستند ، حتی در حضور تعداد زیادی از متغیرهای مبهم.نتایج شبیه سازی نشان می دهد اینکه OARF تخمین های بی طرفانه تولید می کند ، واریانس کمتری دارد و هست در انتخاب متغیر نسبت به سایر رویکردها برتر است.نتایج از دو نمونه تجربی ، تأثیر کاتتریزاسیون قلب راست بر مرگ و میر و تأثیر سیگار کشیدن مادر در دوران بارداری بر وزن هنگام تولد ، نشان می دهد اثرات درمانی قابل مقایسه با یافته های قبلی اما اعتماد به نفس محکم تر فواصل و متغیرهای انتخاب شده قابل قبول تر.

Recent work has highlighted the difficulties of estimating difference-in-differences models when treatment timing occurs at different times for different units. This article introduces the R package did2s which implements the estimator introduced in Gardner (2021). The article provides an approachable review of the underlying econometric theory and introduces the syntax for the function did2s. Further, the package introduces a function, event_study, that provides a common syntax for all the modern event-study estimators and plot_event_study to plot the results of each estimator.

کار اخیر مشکلات تخمین را برجسته کرده است مدل های تفاوت در اختلاف در هنگام انجام زمان بندی در متفاوت بار برای واحدهای مختلف.این مقاله بسته R DID2 را ارائه می دهد که برآوردگر معرفی شده در گاردنر (2021) را پیاده سازی می کند.مقاله ارائه می دهد بررسی قابل دسترسی از تئوری اقتصاد سنجی اساسی و معرفی نحو برای عملکرد DID2S.علاوه بر این ، بسته یک عملکرد را معرفی می کند ، Event_study ، که یک نحو مشترک برای همه مطالعه مدرن رویداد فراهم می کند برآوردگرها و plot_event_study برای ترسیم نتایج هر برآوردگر.

The evaluation of a multifaceted program against extreme poverty in different developing countries gave encouraging results, but with important heterogeneity between countries. This master thesis proposes to study this heterogeneity with a Bayesian hierarchical analysis. The analysis we carry out with two different hierarchical models leads to a very low amount of pooling of information between countries, indicating that this observed heterogeneity should be interpreted mostly as true heterogeneity, and not as sampling error. We analyze the first order behavior of our hierarchical models, in order to understand what leads to this very low amount of pooling. We try to give to this work a didactic approach, with an introduction of Bayesian analysis and an explanation of the different modeling and computational choices of our analysis.

ارزیابی یک برنامه چند وجهی در برابر فقر شدید در متفاوت کشورهای در حال توسعه نتایج دلگرم کننده ای به دست آوردند ، اما با ناهمگونی مهم بین کشورهااین پایان نامه کارشناسی ارشد پیشنهاد می کند این ناهمگونی را با آن مطالعه کند تجزیه و تحلیل سلسله مراتبی بیزی.تحلیلی که با دو متفاوت انجام می دهیم مدل های سلسله مراتبی منجر به جمع آوری اطلاعات بسیار کمی می شود بین کشورها ، نشان می دهد که این ناهمگونی مشاهده شده باید باشد بیشتر به عنوان ناهمگونی واقعی تفسیر می شود ، و نه به عنوان خطای نمونه برداری.ما تجزیه و تحلیل می کنیم رفتار مرتبه اول مدل های سلسله مراتبی ما ، برای درک چه چیزی منجر به این مقدار بسیار کمی از استخر می شود.ما سعی می کنیم به این کار بدهیم رویکرد didactic ، با معرفی تحلیل بیزی و توضیحی از مدل سازی و انتخاب های مختلف محاسباتی تجزیه و تحلیل ما.

A recent econometric literature has critiqued the use of regression discontinuities where administrative borders serves as the 'cutoff'. Identification in this context is difficult since multiple treatments can change at the cutoff and individuals can easily sort on either side of the border. This note extends the difference-in-discontinuities framework discussed in Grembi et. al. (2016) to a geographic setting. The paper formalizes the identifying assumptions in this context which will allow for the removal of time-invariant sorting and compound-treatments similar to the difference-in-differences methodology.

ادبیات اقتصاد سنجی اخیر استفاده از رگرسیون را نقد کرده است ناپیوستگی هایی که مرزهای اداری به عنوان "برش" عمل می کند. شناسایی در این زمینه دشوار است زیرا چندین روش درمانی می توانند در برش تغییر کنید و افراد به راحتی می توانند در هر دو طرف مرتب شوند مرزاین یادداشت چارچوب تفاوت در دیسکونی را مورد بحث قرار می دهد در Grembi et.هم(2016) به یک محیط جغرافیایی.مقاله رسمی را رسمی می کند شناسایی فرضیات در این زمینه که امکان حذف را فراهم می کند مرتب سازی و درمان های متغیر مشابه با روش تفاوت در اختلافات.

Calibration, the practice of choosing the parameters of a structural model to match certain empirical moments, can be viewed as minimum distance estimation. Existing standard error formulas for such estimators require a consistent estimate of the correlation structure of the empirical moments, which is often unavailable in practice. Instead, the variances of the individual empirical moments are usually readily estimable. Using only these variances, we derive conservative standard errors and confidence intervals for the structural parameters that are valid even under the worst-case correlation structure. In the over-identified case, we show that the moment weighting scheme that minimizes the worst-case estimator variance amounts to a moment selection problem with a simple solution. Finally, we develop tests of over-identifying or parameter restrictions. We apply our methods empirically to a model of menu cost pricing for multi-product firms and to a heterogeneous agent New Keynesian model.

کالیبراسیون ، عمل انتخاب پارامترهای یک مدل ساختاری به مطابقت با لحظات تجربی خاص ، می تواند به عنوان حداقل تخمین فاصله مشاهده شود. فرمول های خطای استاندارد موجود برای چنین برآوردگرها به یک سازگار نیاز دارند برآورد ساختار همبستگی لحظات تجربی ، که اغلب است در عمل در دسترس نیست.در عوض ، واریانس های تجربی فردی لحظات معمولاً به راحتی قابل تخمین هستند.فقط با استفاده از این واریانس ها ، ما مشتق می شویم خطاهای استاندارد محافظه کارانه و فواصل اطمینان برای ساختاری پارامترهایی که حتی تحت ساختار همبستگی بدترین حالت معتبر هستند.که در مورد بیش از حد مشخص ، ما نشان می دهیم که طرح لحظه ای که وزن دارد واریانس برآوردگر بدترین حالت را به حداقل می رساند تا یک لحظه انتخاب شود مشکل با یک راه حل ساده.سرانجام ، ما تست های شناسایی بیش از حد را توسعه می دهیم یا محدودیت های پارامترما روشهای خود را به صورت تجربی در یک مدل از منو اعمال می کنیم قیمت گذاری هزینه برای شرکت های چند محصول و یک عامل ناهمگن جدید کینزی مدل.

We provide adaptive confidence intervals on a parameter of interest in the presence of nuisance parameters when some of the nuisance parameters have known signs. The confidence intervals are adaptive in the sense that they tend to be short at and near the points where the nuisance parameters are equal to zero. We focus our results primarily on the practical problem of inference on a coefficient of interest in the linear regression model when it is unclear whether or not it is necessary to include a subset of control variables whose partial effects on the dependent variable have known directions (signs). Our confidence intervals are trivial to compute and can provide significant length reductions relative to standard confidence intervals in cases for which the control variables do not have large effects. At the same time, they entail minimal length increases at any parameter values. We prove that our confidence intervals are asymptotically valid uniformly over the parameter space and illustrate their length properties in an empirical application to a factorial design field experiment and a Monte Carlo study calibrated to the empirical application.

ما فواصل اعتماد به نفس تطبیقی را در یک پارامتر مورد علاقه در حضور پارامترهای مزاحمت هنگامی که برخی از پارامترهای مزاحم شناخته شده اند علائمفواصل اطمینان به این معنا که تمایل به وجود دارند سازگار هستند کوتاه در و در نزدیکی نقاطی که پارامترهای مزاحمت برابر با صفر است. ما نتایج خود را در درجه اول بر روی مشکل عملی استنباط در a متمرکز می کنیم ضریب علاقه به مدل رگرسیون خطی هنگامی که نامشخص است این که آیا شامل زیر مجموعه ای از متغیرهای کنترل است یا نه اثرات جزئی بر متغیر وابسته ، جهت ها (علائم) را شناخته شده است.ما فواصل اطمینان برای محاسبه بی اهمیت است و می تواند طول قابل توجهی را فراهم کند کاهش نسبت به فواصل اطمینان استاندارد در مواردی که برای آنها متغیرهای کنترل اثرات زیادی ندارند.در عین حال ، آنها مستلزم هستند حداقل طول در هر مقادیر پارامتر افزایش می یابد.ما ثابت می کنیم که اعتماد به نفس ما فواصل به طور یکنواخت به طور یکنواخت در فضای پارامتر معتبر هستند و خصوصیات طول آنها را در یک برنامه تجربی به یک فاکتوریل نشان دهید آزمایش میدانی طراحی و یک مطالعه مونت کارلو کالیبره شده به تجربی کاربرد.

We introduce the conditional Maximum Composite Likelihood (MCL) estimation method for the stochastic factor ordered Probit model of credit rating transitions of firms. This model is recommended for internal credit risk assessment procedures in banks and financial institutions under the Basel III regulations. Its exact likelihood function involves a high-dimensional integral, which can be approximated numerically before maximization. However, the estimated migration risk and required capital tend to be sensitive to the quality of this approximation, potentially leading to statistical regulatory arbitrage. The proposed conditional MCL estimator circumvents this problem and maximizes the composite log-likelihood of the factor ordered Probit model. We present three conditional MCL estimators of different complexity and examine their consistency and asymptotic normality when n and T tend to infinity. The performance of these estimators at finite T is examined and compared with a granularity-based approach in a simulation study. The use of the MCL estimator is also illustrated in an empirical application.

ما تخمین حداکثر احتمال کامپوزیت (MCL) را معرفی می کنیم روش برای فاکتور تصادفی مدل پروبیت از رتبه بندی اعتبار انتقال بنگاه ها.این مدل برای ریسک اعتباری داخلی توصیه می شود مراحل ارزیابی در بانک ها و موسسات مالی تحت بازل سوم آئین نامه.عملکرد دقیق آن شامل یک ابعاد بالا است انتگرال ، که می تواند قبل از حداکثر عددی تقریب یابد.با این حال، ریسک تخمین مهاجرت و سرمایه مورد نیاز تمایل به حساس به کیفیت این تقریب ، که به طور بالقوه منجر به نظارتی آماری می شود داوریبرآوردگر MCL مشروط پیشنهادی این مشکل را دور می زند حداکثر احتمال ورود کامپوزیت مدل پروبیت دستور داده شده را به حداکثر می رساند.ما سه برآوردگر مشروط MCL از پیچیدگی های مختلف را ارائه داده و بررسی کنید قوام و نرمال بودن بدون علامت آنها هنگامی که N و T تمایل به بی نهایت دارند.در عملکرد این برآوردگرها در T محدود T بررسی شده و با a مقایسه می شود رویکرد مبتنی بر دانه در یک مطالعه شبیه سازی.استفاده از برآوردگر MCL همچنین در یک برنامه تجربی نشان داده شده است.

Standard high-dimensional factor models assume that the comovements in a large set of variables could be modeled using a small number of latent factors that affect all variables. In many relevant applications in economics and finance, heterogenous comovements specific to some known groups of variables naturally arise, and reflect distinct cyclical movements within those groups. This paper develops two new statistical tests that can be used to investigate whether there is evidence supporting group-specific heterogeneity in the data. The first test statistic is designed for the alternative hypothesis of group-specific heterogeneity appearing in at least one pair of groups; the second is for the alternative of group-specific heterogeneity appearing in all pairs of groups. We show that the second moment of factor loadings changes across groups when heterogeneity is present, and use this feature to establish the theoretical validity of the tests. We also propose and prove the validity of a permutation approach for approximating the asymptotic distributions of the two test statistics. The simulations and the empirical financial application indicate that the proposed tests are useful for detecting group-specific heterogeneity.

مدل های فاکتور با ابعاد بالا استاندارد فرض می کنند که در یک مجموعه بزرگی از متغیرها را می توان با استفاده از تعداد کمی از عوامل نهفته مدل کرد که بر همه متغیرها تأثیر می گذارد.در بسیاری از برنامه های مربوطه در اقتصاد و امور مالی ، سازمانهای ناهمگن خاص برای برخی از گروههای شناخته شده متغیرها به طور طبیعی بوجود می آیند و حرکات چرخه ای متمایز را در آن گروه ها منعکس می کنند. در این مقاله دو آزمایش آماری جدید ایجاد شده است که می تواند برای بررسی استفاده شود آیا شواهدی وجود دارد که از ناهمگونی خاص گروه در داده ها حمایت می کند. اولین آمار آزمون برای فرضیه جایگزین طراحی شده است ناهمگونی خاص گروه که حداقل در یک جفت گروه ظاهر می شود.در دوم برای جایگزین ناهمگونی خاص گروه است که در همه ظاهر می شود جفت گروه ها.ما نشان می دهیم که لحظه دوم بارگذاری فاکتور تغییر می کند در گروه ها در هنگام وجود ناهمگونی ، و از این ویژگی برای ایجاد استفاده کنید اعتبار نظری آزمون ها.ما همچنین اعتبار را پیشنهاد و اثبات می کنیم یک رویکرد جایگشت برای تقریب توزیع بدون علامت دو آمار آزمون.شبیه سازی ها و برنامه مالی تجربی نشان می دهد که آزمایش های پیشنهادی برای تشخیص خاص گروه مفید هستند ناهمگونی

I develop algorithms to facilitate Bayesian inference in structural vector autoregressions that are set-identified with sign and zero restrictions by showing that the system of restrictions is equivalent to a system of sign restrictions in a lower-dimensional space. Consequently, algorithms applicable under sign restrictions can be extended to allow for zero restrictions. Specifically, I extend algorithms proposed in Amir-Ahmadi and Drautzburg (2021) to check whether the identified set is nonempty and to sample from the identified set without rejection sampling. I compare the new algorithms to alternatives by applying them to variations of the model considered by Arias et al. (2019), who estimate the effects of US monetary policy using sign and zero restrictions on the monetary policy reaction function. The new algorithms are particularly useful when a rich set of sign restrictions substantially truncates the identified set given the zero restrictions.

من الگوریتم هایی را برای تسهیل استنباط بیزی در بردار ساختاری ایجاد می کنم اتورهایی که با محدودیت و محدودیت صفر توسط آن مشخص شده اند نشان می دهد که سیستم محدودیت ها معادل یک سیستم علامت است محدودیت ها در یک فضای کم بعدی.در نتیجه ، الگوریتم های قابل استفاده تحت محدودیت های علامت می تواند گسترش یابد تا محدودیت های صفر امکان پذیر باشد. به طور خاص ، من الگوریتم های پیشنهادی در امیر-احمدی و دراتزبورگ (2021) را گسترش می دهم برای بررسی اینکه آیا مجموعه مشخص شده غیر خالی است و از آن نمونه برداری می کند مجموعه مشخص شده بدون نمونه گیری از رد.من الگوریتم های جدید را با مقایسه می کنم گزینه های دیگر با استفاده از آنها در مورد تغییرات مدل در نظر گرفته شده توسط Arias ET هم(2019) ، که اثرات سیاست پولی ایالات متحده را با استفاده از علامت و صفر تخمین می زند محدودیت در عملکرد واکنش سیاست پولی.الگوریتم های جدید هستند به ویژه هنگامی که مجموعه ای غنی از محدودیت های علامت به طور قابل توجهی مفید باشد با توجه به محدودیت های صفر ، مجموعه مشخص شده را کوتاه می کند.

We study linear panel regression models in which the unobserved error term is an unknown smooth function of two-way unobserved fixed effects. In standard additive or interactive fixed effect models the individual specific and time specific effects are assumed to enter with a known functional form (additive or multiplicative). In this paper, we allow for this functional form to be more general and unknown. We discuss two different estimation approaches that allow consistent estimation of the regression parameters in this setting as the number of individuals and the number of time periods grow to infinity. The first approach uses the interactive fixed effect estimator in Bai (2009), which is still applicable here, as long as the number of factors in the estimation grows asymptotically. The second approach first discretizes the two-way unobserved heterogeneity (similar to what Bonhomme, Lamadon and Manresa 2021 are doing for one-way heterogeneity) and then estimates a simple linear fixed effect model with additive two-way grouped fixed effects. For both estimation methods we obtain asymptotic convergence results, perform Monte Carlo simulations, and employ the estimators in an empirical application to UK house price data.

ما مدلهای رگرسیون پانل خطی را مطالعه می کنیم که در آن اصطلاح خطای بدون نظارت است یک عملکرد صاف ناشناخته از اثرات ثابت بدون نظارت دو طرفه.در معیار مدل اثر ثابت افزودنی یا تعاملی خاص و زمان خاص اثرات خاص فرض می شود که با یک فرم کاربردی شناخته شده وارد می شوند (افزودنی یا ضرب).در این مقاله ، ما اجازه می دهیم این فرم عملکردی بیشتر باشد عمومی و ناشناخته.ما در مورد دو رویکرد تخمین مختلف که اجازه می دهد بحث می کنیم برآورد مداوم از پارامترهای رگرسیون در این تنظیم به عنوان تعداد افراد و تعداد دوره های زمانی به بی نهایت افزایش می یابد.در رویکرد اول از برآوردگر اثر ثابت تعاملی در BAI (2009) استفاده می کند ، که هنوز هم در اینجا قابل اجرا است ، تا زمانی که تعداد عوامل تخمین بدون علامت رشد می کند.رویکرد دوم ابتدا دو طرفه را گسسته می کند ناهمگونی بدون نظارت (مشابه آنچه Bonhomme ، Lamadon و Manresa 2021 برای ناهمگونی یک طرفه در حال انجام هستند) و سپس یک خطی ساده را برآورد می کنند مدل اثر با اثرات ثابت گروهی دو طرفه افزودنی.برای هر دو تخمین روشها ما نتایج همگرایی بدون علامت را بدست می آوریم ، مونت کارلو را انجام می دهیم شبیه سازی ، و از برآوردگرها در یک برنامه تجربی به خانه انگلستان استفاده کنید داده های قیمت

It is widely accepted that women are underrepresented in academia in general and economics in particular. This paper introduces a test to detect an under-researched form of hiring bias: implicit quotas. I derive a test under the Null of random hiring that requires no information about individual hires under some assumptions. I derive the asymptotic distribution of this test statistic and, as an alternative, propose a parametric bootstrap procedure that samples from the exact distribution. This test can be used to analyze a variety of other hiring settings. I analyze the distribution of female professors at German universities across 50 different disciplines. I show that the distribution of women, given the average number of women in the respective field, is highly unlikely to result from a random allocation of women across departments and more likely to stem from an implicit quota of one or two women on the department level. I also show that a large part of the variation in the share of women across STEM and non-STEM disciplines could be explained by a two-women quota on the department level. These findings have important implications for the potential effectiveness of policies aimed at reducing underrepresentation and providing evidence of how stakeholders perceive and evaluate diversity.

به طور گسترده ای پذیرفته شده است که زنان به طور کلی در آکادمی ها کمتر نماینده هستند و به ویژه اقتصاد.در این مقاله آزمایشی برای شناسایی یک شکل تحت تحقیق از تعصب استخدام: سهمیه ضمنی.من یک آزمایش زیر را انجام می دهم تهی استخدام تصادفی که نیازی به اطلاعاتی در مورد استخدامهای فردی ندارد تحت برخی فرضیاتمن توزیع بدون علامت این آزمایش را استخراج می کنم آماری و به عنوان یک جایگزین ، یک روش بوت استرپ پارامتری را پیشنهاد می کند که نمونه از توزیع دقیق.از این آزمون می توان برای تجزیه و تحلیل انواع استفاده کرد سایر تنظیمات استخداممن توزیع اساتید زن را در دانشگاه های آلمان در 50 رشته مختلف.من نشان می دهم که توزیع زنان ، با توجه به میانگین تعداد زنان در مورد میدان ، بعید است که ناشی از تخصیص تصادفی زنان در سراسر باشد ادارات و به احتمال زیاد ناشی از سهمیه ضمنی یک یا دو زن است در سطح بخشمن همچنین نشان می دهم که بخش بزرگی از تغییرات در سهم زنان در رشته های STEM و غیر STEM را می توان با یک توضیح داد سهمیه دو زن در سطح بخش.این یافته ها دارای مهم هستند پیامدهای مربوط به اثربخشی بالقوه سیاستها با هدف کاهش کم نماینده و ارائه شواهدی در مورد چگونگی درک ذینفعان و ارزیابی تنوع.

This paper extends the identification results in Nevo and Rosen (2012) to nonparametric models. We derive nonparametric bounds on the average treatment effect when an imperfect instrument is available. As in Nevo and Rosen (2012), we assume that the correlation between the imperfect instrument and the unobserved latent variables has the same sign as the correlation between the endogenous variable and the latent variables. We show that the monotone treatment selection and monotone instrumental variable restrictions, introduced by Manski and Pepper (2000, 2009), jointly imply this assumption. Moreover, we show how the monotone treatment response assumption can help tighten the bounds. The identified set can be written in the form of intersection bounds, which is more conducive to inference. We illustrate our methodology using the National Longitudinal Survey of Young Men data to estimate returns to schooling.

در این مقاله نتایج شناسایی در Nevo و Rosen (2012) گسترش می یابد مدل های غیرپارامتری.ما مرزهای غیرپارامتری را به طور متوسط درمان می کنیم اثر هنگامی که یک ابزار ناقص در دسترس است.مانند نوو و روزن (2012) ، ما فرض می کنیم که همبستگی بین ابزار ناقص و متغیرهای نهفته بدون محافظت از همبستگی بین همبستگی دارند متغیر درون زا و متغیرهای نهفته.ما نشان می دهیم که یکنواخت انتخاب درمان و محدودیت های متغیر ابزاری یکنواخت ، معرفی شده توسط Manski و Pepper (2000 ، 2009) ، به طور مشترک دلالت بر این فرض دارد.علاوه بر این ، ما نشان می دهد که چگونه فرض پاسخ درمانی یکنواخت می تواند به سفت شدن کمک کند مرزهامجموعه مشخص شده را می توان به صورت مرزهای تقاطع نوشت ، که برای استنباط بیشتر است.ما روش خود را با استفاده از بررسی طولی ملی داده های مردان جوان برای برآورد بازده به آموزش

This paper proposes a random coefficient panel model where the regressors are correlated with the time-varying random coefficients in each period, a critical feature in many economic applications. We model the random coefficients as unknown functions of a fixed effect of arbitrary dimensions, a time-varying random shock that affects the choice of regressors, and an exogenous idiosyncratic shock. A sufficiency argument is used to control for the fixed effect, which enables one to construct a feasible control function for the random shock and subsequently identify the moments of the random coefficients. We propose a three-step series estimator and prove an asymptotic normality result. Simulation results show that the method can accurately estimate both the mean and the dispersion of the random coefficients. As an application, we estimate the average output elasticities for a sample of Chinese manufacturing firms.

در این مقاله یک مدل پانل ضریب تصادفی که در آن رگرسیون ها قرار دارند پیشنهاد می کند در هر دوره با ضرایب تصادفی متغیر زمان همبستگی دارد. ویژگی در بسیاری از برنامه های اقتصادی.ما ضرایب تصادفی را به عنوان مدل می کنیم توابع ناشناخته از اثر ثابت ابعاد دلخواه ، متغیر زمان شوک تصادفی که بر انتخاب رگرسیون و یک برونزا تأثیر می گذارد شوک احمقانه.یک آرگومان کفایت برای کنترل ثابت استفاده می شود اثر ، که فرد را قادر می سازد یک تابع کنترل امکان پذیر برای شوک تصادفی و متعاقباً لحظات ضرایب تصادفی را شناسایی کنید. ما یک برآوردگر سری سه مرحله ای را پیشنهاد می کنیم و یک هنجاری بدون علامت را اثبات می کنیم نتیجهنتایج شبیه سازی نشان می دهد که این روش می تواند به طور دقیق هر دو را تخمین بزند میانگین و پراکندگی ضرایب تصادفی.به عنوان یک برنامه ، ما تخمین میزان خاصیت خروجی را برای نمونه ای از تولید چینی تخمین بزنید شرکت ها

Binary treatments are often ex-post aggregates of multiple treatments or can be disaggregated into multiple treatment versions. Thus, effects can be heterogeneous due to either effect or treatment heterogeneity. We propose a decomposition method that uncovers masked heterogeneity, avoids spurious discoveries, and evaluates treatment assignment quality. The estimation and inference procedure based on double/debiased machine learning allows for high-dimensional confounding, many treatments and extreme propensity scores. Our applications suggest that heterogeneous effects of smoking on birthweight are partially due to different smoking intensities and that gender gaps in Job Corps effectiveness are largely explained by differential selection into vocational training.

درمان های باینری اغلب مصالح پست سابق از درمان های متعدد هستند یا می توانند در نسخه های درمانی متعدد تفکیک شوید.بنابراین ، اثرات می تواند باشد ناهمگن به دلیل ناهمگونی اثر یا درمان.ما پیشنهاد می کنیم روش تجزیه که ناهمگونی نقاب دار را کشف می کند ، از فریبنده جلوگیری می کند اکتشافات ، و کیفیت واگذاری درمان را ارزیابی می کند.تخمین و روش استنتاج بر اساس یادگیری ماشین مضاعف/debiased اجازه می دهد گیج کننده با ابعاد بالا ، بسیاری از درمان ها و نمرات تمایل شدید. برنامه های ما نشان می دهد که اثرات ناهمگن سیگار کشیدن بر وزن تولد تا حدی به دلیل شدت سیگار کشیدن و شکاف های جنسیتی در شغل است اثربخشی سپاه تا حد زیادی با انتخاب دیفرانسیل توضیح داده شده است آموزش حرفه ای.

This paper investigates the cointegration between possible determinants of crude oil futures prices during the COVID-19 pandemic period. We perform comparative analysis of WTI and newly-launched Shanghai crude oil futures (SC) via the Autoregressive Distributed Lag (ARDL) model and Quantile Autoregressive Distributed Lag (QARDL) model. The empirical results confirm that economic policy uncertainty, stock markets, interest rates and coronavirus panic are important drivers of WTI futures prices. Our findings also suggest that the US and China's stock markets play vital roles in movements of SC futures prices. Meanwhile, CSI300 stock index has a significant positive short-run impact on SC futures prices while S\&P500 prices possess a positive nexus with SC futures prices both in long-run and short-run. Overall, these empirical evidences provide practical implications for investors and policymakers.

در این مقاله ، ادغام بین عوامل تعیین کننده احتمالی بررسی شده است قیمت آتی نفت خام در دوره همه گیر COVID-19.ما اجرا می کنیم تجزیه و تحلیل تطبیقی WTI و آینده نفت خام شانگهای تازه راه اندازی شده (SC) از طریق مدل تاخیر توزیع شده خود (ARDL) و اتورگرایی کمی مدل تاخیر توزیع شده (QARDL).نتایج تجربی آن اقتصادی را تأیید می کند عدم قطعیت سیاست ، بازار سهام ، نرخ بهره و وحشت کرونوروس است محرک های مهم قیمت های آینده WTI.یافته های ما همچنین نشان می دهد که ایالات متحده و بازارهای سهام چین نقش های اساسی در حرکات قیمت های آتی SC دارند. در همین حال ، شاخص سهام CSI300 تأثیر کوتاه مدت مثبت بر روی SC دارد قیمت های آتی در حالی که قیمت های S \ & p500 دارای یک رابطه مثبت با معاملات آینده SC است قیمت ها هم در دراز و هم کوتاه مدت.به طور کلی ، این شواهد تجربی پیامدهای عملی را برای سرمایه گذاران و سیاست گذاران ارائه دهید.

This paper presents novel methods and theories for estimation and inference about parameters in econometric models using machine learning for nuisance parameters estimation when data are dyadic. We propose a dyadic cross fitting method to remove over-fitting biases under arbitrary dyadic dependence. Together with the use of Neyman orthogonal scores, this novel cross fitting method enables root-$n$ consistent estimation and inference robustly against dyadic dependence. We illustrate an application of our general framework to high-dimensional network link formation models. With this method applied to empirical data of international economic networks, we reexamine determinants of free trade agreements (FTA) viewed as links formed in the dyad composed of world economies. We document that standard methods may lead to misleading conclusions for numerous classic determinants of FTA formation due to biased point estimates or standard errors which are too small.

در این مقاله روش ها و نظریه های جدید برای تخمین و استنباط ارائه شده است درباره پارامترهای مدلهای اقتصاد سنجی با استفاده از یادگیری ماشین برای مزاحمت برآورد پارامترها هنگامی که داده ها رنگ آمیزی هستند.ما یک متناسب با صلیب رنگ آمیزی پیشنهاد می کنیم روش برای از بین بردن تعصبات بیش از حد متناسب با وابستگی دیداتیک دلخواه. همراه با استفاده از نمرات متعامد Neyman ، این رمان مناسب است روش تخمین و استنباط ثابت $ $ n $ را به طور محکم در برابر آن امکان پذیر می کند وابستگی دیدی.ما برنامه ای از چارچوب کلی خود را نشان می دهیم مدل های شکل گیری پیوند شبکه با ابعاد بالا.با این روش اعمال شده در داده های تجربی شبکه های اقتصادی بین المللی ، ما عوامل تعیین کننده را دوباره بررسی می کنیم توافق نامه های تجارت آزاد (FTA) به عنوان پیوندهایی که در dyad تشکیل شده است ، مشاهده می شود اقتصاد جهانی.ما مستند می کنیم که روشهای استاندارد ممکن است منجر به گمراه کننده شود نتیجه گیری برای تعیین کننده های کلاسیک بیشمار تشکیل FTA به دلیل مغرضانه برآورد نقطه یا خطاهای استاندارد که خیلی کوچک هستند.

We study what two-stage least squares (2SLS) identifies in models with multiple treatments under treatment effect heterogeneity. Two conditions are shown to be necessary and sufficient for the 2SLS to identify positively weighted sums of agent-specific effects of each treatment: average conditional monotonicity and no cross effects. Our identification analysis allows for any number of treatments, any number of continuous or discrete instruments, and the inclusion of covariates. We provide testable implications and present characterizations of choice behavior implied by our identification conditions.

ما مطالعه می کنیم که مربع های حداقل دو مرحله ای (2SL) در مدل های دارای مشخص شده است درمان های متعدد تحت درمان ناهمگونی اثر.دو شرط است نشان داده شده است که برای شناسایی مثبت 2SL ها لازم و کافی است مبالغ وزنی از اثرات خاص عامل هر درمان: مشروط متوسط یکنواختی و بدون تأثیر متقابل.تجزیه و تحلیل شناسایی ما امکان پذیر است تعداد درمانها ، هر تعداد ابزارهای مداوم یا گسسته و گنجاندن متغیرهای متغیر.ما پیامدهای قابل آزمایش و موجود را ارائه می دهیم خصوصیات رفتار انتخاب دلالت بر شرایط شناسایی ما.

In this paper we propose new approaches to estimating large dimensional monotone index models. This class of models has been popular in the applied and theoretical econometrics literatures as it includes discrete choice, nonparametric transformation, and duration models. A main advantage of our approach is computational. For instance, rank estimation procedures such as those proposed in Han (1987) and Cavanagh and Sherman (1998) that optimize a nonsmooth, non convex objective function are difficult to use with more than a few regressors and so limits their use in with economic data sets. For such monotone index models with increasing dimension, we propose to use a new class of estimators based on batched gradient descent (BGD) involving nonparametric methods such as kernel estimation or sieve estimation, and study their asymptotic properties. The BGD algorithm uses an iterative procedure where the key step exploits a strictly convex objective function, resulting in computational advantages. A contribution of our approach is that our model is large dimensional and semiparametric and so does not require the use of parametric distributional assumptions.

در این مقاله ما رویکردهای جدیدی را برای برآورد ابعاد بزرگ پیشنهاد می کنیم مدل های شاخص یکنواخت.این کلاس از مدل ها در برنامه های کاربردی محبوب بوده و ادبیات اقتصادی نظری همانطور که شامل انتخاب گسسته است ، مدل های غیرپارامتری و مدلهای مدت زمان.یک مزیت اصلی ما رویکرد محاسباتی است.به عنوان مثال ، رویه های تخمین رتبه مانند موارد پیشنهادی در هان (1987) و کاواناگ و شرمن (1998) که بهینه می شوند عملکرد هدف غیر محدب ، غیر محدب استفاده از بیش از یک تعداد کمی از رگرسیونرها و بنابراین استفاده از آنها را با مجموعه داده های اقتصادی محدود می کند.برای چنین مدل های شاخص یکنواخت با افزایش بعد ، ما پیشنهاد می کنیم از یک کلاس جدید استفاده کنیم برآوردگرهای مبتنی بر نزول شیب دار (BGD) که شامل غیرپارامتری است روش هایی مانند تخمین هسته یا تخمین الک ، و مطالعه آنها خصوصیات بدون علامت.الگوریتم BGD از یک روش تکراری استفاده می کند که در آن گام کلیدی از یک عملکرد هدف کاملاً محدب بهره می برد ، و در نتیجه مزایای محاسباتی.سهم رویکرد ما این است که مدل ما است ابعاد بزرگ و نیمه قطبی و بنابراین نیازی به استفاده از آن ندارد فرضیات توزیع پارامتری.

We propose consistent nonparametric tests of conditional independence for time series data. Our methods are motivated from the difference between joint conditional cumulative distribution function (CDF) and the product of conditional CDFs. The difference is transformed into a proper conditional moment restriction (CMR), which forms the basis for our testing procedure. Our test statistics are then constructed using the integrated moment restrictions that are equivalent to the CMR. We establish the asymptotic behavior of the test statistics under the null, the alternative, and the sequence of local alternatives converging to conditional independence at the parametric rate. Our tests are implemented with the assistance of a multiplier bootstrap. Monte Carlo simulations are conducted to evaluate the finite sample performance of the proposed tests. We apply our tests to examine the predictability of equity risk premium using variance risk premium for different horizons and find that there exist various degrees of nonlinear predictability at mid-run and long-run horizons.

ما تست های غیر پارامتری مداوم از استقلال مشروط را پیشنهاد می کنیم داده های سری زمانی.روشهای ما از تفاوت بین مفصل ایجاد می شود عملکرد توزیع تجمعی مشروط (CDF) و محصول CDF شرطی.تفاوت به یک شرط مناسب تبدیل می شود محدودیت لحظه ای (CMR) ، که پایه و اساس روش آزمایش ما را تشکیل می دهد.ما سپس آمار آزمون با استفاده از محدودیت های لحظه یکپارچه ساخته می شود که معادل CMR است.ما رفتار بدون علامت را تعیین می کنیم آمار آزمون تحت تهی ، جایگزین و دنباله محلی گزینه های دیگر به استقلال مشروط با نرخ پارامتری.ما آزمایشات با کمک یک بوت استرپ چند برابر انجام می شود.مونت شبیه سازی های کارلو برای ارزیابی عملکرد نمونه محدود از تست های پیشنهادیما از آزمون های خود برای بررسی پیش بینی عدالت استفاده می کنیم حق بیمه خطر با استفاده از حق بیمه خطر واریانس برای افق های مختلف و پیدا کردن آن درجه های مختلفی از پیش بینی غیرخطی در اواسط اجرا و بلند مدت وجود دارد افق

The normality assumption for errors in the Analysis of Variance (ANOVA) is common when using ANOVA models. But there are few people to test this normality assumption before using ANOVA models, and the existent literature also rarely mentions this problem. In this article, we propose an easy-to-use method to testing the normality assumption in ANOVA models by using smooth tests. The test statistic we propose has asymptotic chi-square distribution and our tests are always consistent in various different types of ANOVA models. Discussion about how to choose the dimension of the smooth model (the number of the basis functions) are also included in this article. Several simulation experiments show the superiority of our method.

فرض عادی برای خطاها در تجزیه و تحلیل واریانس (ANOVA) است در هنگام استفاده از مدل های ANOVA مشترک است.اما تعداد کمی از افراد برای آزمایش این نرمال وجود دارد فرض قبل از استفاده از مدل های ANOVA ، و ادبیات موجود نیز به ندرت این مشکل را ذکر می کند.در این مقاله ، ما یک روش با استفاده آسان را پیشنهاد می کنیم آزمایش فرض عادی در مدل های ANOVA با استفاده از تست های صاف.در آماری که ما پیشنهاد می کنیم توزیع مجذور مجذور مجسمه و آزمایشات ما است همیشه در انواع مختلف مدل های ANOVA سازگار هستند.بحث در مورد نحوه انتخاب ابعاد مدل صاف (تعداد پایه توابع) همچنین در این مقاله گنجانده شده است.چندین آزمایش شبیه سازی برتری روش ما را نشان دهید.

This paper studies the estimation of linear panel data models with interactive fixed effects, where one dimension of the panel, typically time, may be fixed. To this end, a novel transformation is introduced that reduces the model to a lower dimension, and, in doing so, relieves the model of incidental parameters in the cross-section. The central result of this paper demonstrates that transforming the model and then applying the principal component (PC) estimator of \cite{bai_panel_2009} delivers $\sqrt{n}$ consistent estimates of regression slope coefficients with $T$ fixed. Moreover, these estimates are shown to be asymptotically unbiased in the presence of cross-sectional dependence, serial dependence, and with the inclusion of dynamic regressors, in stark contrast to the usual case. The large $n$, large $T$ properties of this approach are also studied, where many of these results carry over to the case in which $n$ is growing sufficiently fast relative to $T$. Transforming the model also proves to be useful beyond estimation, a point illustrated by showing that with $T$ fixed, the eigenvalue ratio test of \cite{horenstein} provides a consistent test for the number of factors when applied to the transformed model.

در این مقاله برآورد مدل های داده پانل خطی با جلوه های ثابت تعاملی ، که در آن یک بعد پنل ، به طور معمول زمان ، ممکن است ثابت باشدبرای این منظور ، یک تحول جدید معرفی شده است که کاهش می یابد مدل به ابعاد پایین تر ، و با انجام این کار ، مدل را تسکین می دهد پارامترهای حادثه ای در مقطع.نتیجه اصلی این مقاله نشان می دهد که تغییر مدل و سپس استفاده از اصل مؤلفه (PC) برآوردگر \ cite {bai_panel_2009} $ \ sqrt {n} $ را ارائه می دهد برآوردهای مداوم ضرایب شیب رگرسیون با $ t $ ثابت.علاوه بر این، این برآوردها نشان داده شده است که از نظر بدون علامت در حضور بی طرفانه هستند وابستگی مقطعی ، وابستگی سریال و با گنجاندن رگرسیون پویا ، بر خلاف پرونده معمول.بزرگ $ n $ ، بزرگ $ t $ خواص این روش نیز مورد مطالعه قرار گرفته است ، جایی که بسیاری از این نتایج به پرونده ای که در آن $ n $ به اندازه کافی سریع در حال رشد است نسبت به $ t $.تبدیل مدل همچنین ثابت می کند که فراتر از تخمین ، یک نکته مفید است با نشان دادن این که با $ t $ ثابت ، تست نسبت مقادیر ویژه از \ cite {Horenstein} یک آزمایش مداوم برای تعداد عوامل هنگام به مدل تبدیل شده اعمال می شود.

This paper provides partial identification results for the marginal treatment effect ($MTE$) when the binary treatment variable is potentially misreported and the instrumental variable is discrete. Identification results are derived under different sets of nonparametric assumptions. The identification results are illustrated in identifying the marginal treatment effects of food stamps on health.

در این مقاله نتایج شناسایی جزئی برای درمان حاشیه ای ارائه شده است اثر ($ mte $) هنگامی که متغیر درمان باینری به طور بالقوه نادرست گزارش می شود و متغیر ابزاری گسسته است.نتایج شناسایی مشتق شده است تحت مجموعه های مختلف فرضیات غیر پارامتری.نتایج شناسایی در شناسایی اثرات درمانی حاشیه ای از تمبرهای غذایی روی نشان داده شده است سلامتی.

In recent years several complaints about racial discrimination in appraising home values have been accumulating. For several decades, to estimate the sale price of the residential properties, appraisers have been walking through the properties, observing the property, collecting data, and making use of the hedonic pricing models. However, this method bears some costs and by nature is subjective and biased. To minimize human involvement and the biases in the real estate appraisals and boost the accuracy of the real estate market price prediction models, in this research we design data-efficient learning machines capable of learning and extracting the relation or patterns between the inputs (features for the house) and output (value of the houses). We compare the performance of some machine learning and deep learning algorithms, specifically artificial neural networks, random forest, and k nearest neighbor approaches to that of hedonic method on house price prediction in the city of Boulder, Colorado. Even though this study has been done over the houses in the city of Boulder it can be generalized to the housing market in any cities. The results indicate non-linear association between the dwelling features and dwelling prices. In light of these findings, this study demonstrates that random forest and artificial neural networks algorithms can be better alternatives over the hedonic regression analysis for prediction of the house prices in the city of Boulder, Colorado.

در سالهای اخیر چندین شکایت درباره تبعیض نژادی در ارزیابی مقادیر خانه جمع شده است.برای چندین دهه ، برای تخمین فروش قیمت املاک مسکونی ، ارزیابی کننده ها از طریق خواص ، مشاهده خاصیت ، جمع آوری داده ها و استفاده از مدل های قیمت گذاری هیدونیک.با این حال ، این روش برخی از هزینه ها را تحمل می کند و طبیعت ذهنی و مغرضانه.برای به حداقل رساندن درگیری انسان و تعصبات واقعی ارزیابی املاک و افزایش دقت قیمت بازار املاک و مستغلات مدل های پیش بینی ، در این تحقیق ما دستگاه های یادگیری با داده های کارآمد را طراحی می کنیم قادر به یادگیری و استخراج رابطه یا الگوهای بین ورودی ها (ویژگی های خانه) و خروجی (ارزش خانه ها).ما مقایسه می کنیم عملکرد برخی از یادگیری ماشین و الگوریتم های یادگیری عمیق ، به طور خاص شبکه های عصبی مصنوعی ، جنگل تصادفی و نزدیکترین همسایه K به روش هیدونیک در مورد پیش بینی قیمت خانه در شهر بولدر ، کلرادوحتی اگر این مطالعه بر روی خانه های شهر انجام شده است Boulder می تواند در هر شهر به بازار مسکن تعمیم یابد.نتایج ارتباط غیرخطی بین ویژگی های مسکونی و مسکونی را نشان دهید قیمت.با توجه به این یافته ها ، این مطالعه نشان می دهد که جنگل تصادفی و الگوریتم های شبکه عصبی مصنوعی می توانند گزینه های بهتری نسبت به تجزیه و تحلیل رگرسیون هیدونیک برای پیش بینی قیمت خانه در شهر بولدر ، کلرادو.

This paper investigates the performance, in terms of choice probabilities and correlations, of existing and new specifications of closed-form route choice models with flexible correlation patterns, namely the Link Nested Logit (LNL), the Paired Combinatorial Logit (PCL) and the more recent Combination of Nested Logit (CoNL) models. Following a consolidated track in the literature, choice probabilities and correlations of the Multinomial Probit (MNP) model by (Daganzo and Sheffi, 1977) are taken as target. Laboratory experiments on small/medium-size networks are illustrated, also leveraging a procedure for practical calculation of correlations of any GEV models, proposed by (Marzano 2014). Results show that models with inherent limitations in the coverage of the domain of feasible correlations yield unsatisfactory performance, whilst the specifications of the CoNL proposed in the paper appear the best in fitting both MNP correlations and probabilities. Performance of the models are appreciably ameliorated by introducing lower bounds to the nesting parameters. Overall, the paper provides guidance for the practical application of tested models.

در این مقاله عملکرد ، از نظر احتمالات انتخاب و همبستگی ، مشخصات موجود و جدید انتخاب مسیر بسته مدلهایی با الگوهای همبستگی انعطاف پذیر ، یعنی پیوند لاین تو در تو (LNL) ، Logit Combinatorial Combinatorial (PCL) و ترکیبی جدیدتر از تو در تو مدل های Logit (CONL).به دنبال یک آهنگ تلفیقی در ادبیات ، انتخاب احتمالات و همبستگی های مدل پروبیت چندمیک (MNP) توسط (داگانزو و شفی ، 1977) به عنوان هدف در نظر گرفته می شوند.آزمایش های آزمایشگاهی در شبکه های کوچک/متوسط نشان داده شده است ، همچنین از یک روش استفاده می کند محاسبه عملی همبستگی هر مدل GEV ، پیشنهاد شده توسط (Marzano 2014).نتایج نشان می دهد که مدل هایی با محدودیت های ذاتی در پوشش دامنه همبستگی های امکان پذیر عملکرد رضایت بخش را به همراه دارد ، در حالی که مشخصات CONL ارائه شده در مقاله بهترین در مناسب بودن است همبستگی و همبستگی MNP.عملکرد مدل ها هستند با معرفی مرزهای پایین به پارامترهای لانه سازی ، به طرز چشمگیری بهبود می یابد. به طور کلی ، این مقاله راهنمایی هایی را برای کاربرد عملی آزمایش شده ارائه می دهد مدل ها.

This paper studies the role played by identification in the Bayesian analysis of statistical and econometric models. First, for unidentified models we demonstrate that there are situations where the introduction of a non-degenerate prior distribution can make a parameter that is nonidentified in frequentist theory identified in Bayesian theory. In other situations, it is preferable to work with the unidentified model and construct a Markov Chain Monte Carlo (MCMC) algorithms for it instead of introducing identifying assumptions. Second, for partially identified models we demonstrate how to construct the prior and posterior distributions for the identified set parameter and how to conduct Bayesian analysis. Finally, for models that contain some parameters that are identified and others that are not we show that marginalizing out the identified parameter from the likelihood with respect to its conditional prior, given the nonidentified parameter, allows the data to be informative about the nonidentified and partially identified parameter. The paper provides examples and simulations that illustrate how to implement our techniques.

این مقاله به بررسی نقشی که توسط شناسایی در تجزیه و تحلیل بیزی ایفا کرده است از مدلهای آماری و اقتصاد سنجی.اول ، برای مدل های ناشناس ما نشان می دهد که موقعیت هایی وجود دارد که معرفی a توزیع قبلی غیر دکوراسیون می تواند پارامتری را ایجاد کند که در آن شناسایی نشده باشد نظریه مکرر که در نظریه بیزی مشخص شده است.در شرایط دیگر ، این است ترجیح می دهید با مدل ناشناس کار کنید و یک زنجیره مارکوف را بسازید الگوریتم های مونت کارلو (MCMC) برای آن به جای معرفی شناسایی فرضیاتدوم ، برای مدلهای جزئی شناسایی شده ما نحوه عملکرد را نشان می دهیم توزیع های قبلی و خلفی را برای مجموعه مشخص شده ایجاد کنید پارامتر و نحوه انجام تجزیه و تحلیل بیزی.سرانجام ، برای مدلهایی که حاوی پارامترهایی است که شناسایی شده اند و سایر مواردی که ما نشان نمی دهیم این حاشیه پارامتر مشخص شده از احتمال وجود دارد با توجه به پارامتر غیر شناسایی شده ، با توجه به شرطی آن قبلی ، اجازه می دهد داده ها برای اطلاع رسانی در مورد غیر شناسایی و جزئی شناسایی شده پارامتر.این مقاله نمونه ها و شبیه سازی هایی را نشان می دهد که نحوه عملکرد را نشان می دهد تکنیک های ما را پیاده سازی کنید.

This paper formalizes a common approach for estimating effects of treatment at a specific location using geocoded microdata. This estimator compares units immediately next to treatment (an inner-ring) to units just slightly further away (an outer-ring). I introduce intuitive assumptions needed to identify the average treatment effect among the affected units and illustrates pitfalls that occur when these assumptions fail. Since one of these assumptions requires knowledge of exactly how far treatment effects are experienced, I propose a new method that relaxes this assumption and allows for nonparametric estimation using partitioning-based least squares developed in Cattaneo et. al. (2019). Since treatment effects typically decay/change over distance, this estimator improves analysis by estimating a treatment effect curve as a function of distance from treatment. This is contrast to the traditional method which, at best, identifies the average effect of treatment. To illustrate the advantages of this method, I show that Linden and Rockoff (2008) under estimate the effects of increased crime risk on home values closest to the treatment and overestimate how far the effects extend by selecting a treatment ring that is too wide.

این مقاله یک رویکرد مشترک برای برآورد اثرات درمان را رسمی می کند در یک مکان خاص با استفاده از میکروداتای GeoCoded.این برآوردگر واحدها را مقایسه می کند بلافاصله در کنار درمان (حلقه درونی) به واحدها کمی بیشتر دور (حلقه بیرونی).من فرضیات شهودی مورد نیاز برای شناسایی میانگین تأثیر درمانی در بین واحدهای آسیب دیده و خطاهایی را نشان می دهد که هنگامی که این فرضیات شکست می خورند رخ می دهد.از آنجا که یکی از این فرضیات نیاز دارد آگاهی از اینکه دقیقاً تا چه اندازه اثرات درمانی را تجربه می کند ، من یک جدید پیشنهاد می کنم روشی که این فرض را آرام می کند و تخمین غیرپارامتری را امکان پذیر می کند با استفاده از حداقل مربعات مبتنی بر پارتیشن بندی که در Cattaneo ET ایجاد شده است.هم(2019). از آنجا تجزیه و تحلیل را با برآورد منحنی اثر درمانی به عنوان تابعی از فاصله از درمان.این تضاد با روش سنتی است که در بهترین ، میانگین اثر درمان را مشخص می کند.برای نشان دادن مزایا از این روش ، من نشان می دهم که Linden و Rockoff (2008) تحت تخمین تأثیر افزایش خطر جرم بر ارزش خانه نزدیک به درمان و با انتخاب حلقه درمانی که در آن وجود دارد ، بیش از حد تأثیرات را بیش از حد افزایش می دهد بسیار عریض.

Heterogeneous panel data models that allow the coefficients to vary across individuals and/or change over time have received increasingly more attention in statistics and econometrics. This paper proposes a two-dimensional heterogeneous panel regression model that incorporate a group structure of individual heterogeneous effects with cohort formation for their time-variations, which allows common coefficients between nonadjacent time points. A bi-integrative procedure that detects the information regarding group and cohort patterns simultaneously via a doubly penalized least square with concave fused penalties is introduced. We use an alternating direction method of multipliers (ADMM) algorithm that automatically bi-integrates the two-dimensional heterogeneous panel data model pertaining to a common one. Consistency and asymptotic normality for the proposed estimators are developed. We show that the resulting estimators exhibit oracle properties, i.e., the proposed estimator is asymptotically equivalent to the oracle estimator obtained using the known group and cohort structures. Furthermore, the simulation studies provide supportive evidence that the proposed method has good finite sample performance. A real data empirical application has been provided to highlight the proposed method.

مدل های داده پانل ناهمگن که به ضرایب اجازه می دهند در سراسر تغییر کنند افراد و/یا تغییر با گذشت زمان توجه بیشتری را به خود جلب کرده اند در آمار و اقتصاد سنجی.در این مقاله دو بعدی پیشنهاد شده است مدل رگرسیون پانل ناهمگن که شامل یک ساختار گروهی از اثرات ناهمگن فردی با تشکیل گروه برای آنها متغیرهای زمانی ، که به ضرایب مشترک بین زمان غیرقانونی اجازه می دهد نکته ها.یک روش دو نگاری که اطلاعات مربوط به گروه را تشخیص می دهد و الگوهای گروهی به طور همزمان از طریق یک مربع حداقل مجازات شده با دو برابر مجازات های فیوز مقعر معرفی شده است.ما از یک روش جهت متناوب استفاده می کنیم الگوریتم ضرب (ADMM) که به طور خودکار دوتایی را یکپارچه می کند مدل داده پانل ناهمگن دو بعدی مربوط به یک مدل مشترک. قوام و نرمال بودن بدون علامت برای برآوردگرهای پیشنهادی توسعه یافته است. ما نشان می دهیم که برآوردگرهای حاصل از ویژگی های اوراکل ، یعنی ، برآوردگر پیشنهادی به صورت نامتعارف معادل برآوردگر اوراکل است به دست آمده با استفاده از گروه شناخته شده و ساختارهای گروهی.علاوه بر این ، مطالعات شبیه سازی شواهد حمایتی را ارائه می دهد که روش پیشنهادی دارد عملکرد نمونه محدود خوب.یک کاربرد تجربی داده واقعی بوده است برای برجسته کردن روش پیشنهادی ارائه شده است.

Panel data often contain stayers (units with no within-variations) and slow movers (units with little within-variations). In the presence of many slow movers, conventional econometric methods can fail to work. We propose a novel method of robust inference for the average partial effects in correlated random coefficient models robustly across various distributions of within-variations, including the cases with many stayers and/or many slow movers in a unified manner. In addition to this robustness property, our proposed method entails smaller biases and hence improves accuracy in inference compared to existing alternatives. Simulation studies demonstrate our theoretical claims about these properties: the conventional 95% confidence interval covers the true parameter value with 37-93% frequencies, whereas our proposed one achieves 93-96% coverage frequencies.

داده های پانل اغلب حاوی اقامتگاه ها (واحدهایی که دارای متغیر نیستند) و آهسته است جابجایی ها (واحدهایی با کمی متغیر).در حضور بسیاری آهسته جابجایی ها ، روش های اقتصاد سنجی متعارف می توانند در کار خود نتوانند.ما یک رمان پیشنهاد می کنیم روش استنباط قوی برای میانگین اثرات جزئی در تصادفی همبسته مدلهای ضریب با استحکام در توزیع های مختلف درون متغیر ، از جمله موارد با بسیاری از اقامتگاه ها و/یا بسیاری از آنها آهسته آهسته در یک متحد شیوه.علاوه بر این خاصیت استحکام ، روش پیشنهادی ما مستلزم آن است تعصبات کوچکتر و از این رو دقت در استنتاج را در مقایسه با موجود بهبود می بخشد جایگزین، گزینه ها.مطالعات شبیه سازی ادعاهای نظری ما را در مورد اینها نشان می دهد خواص: فاصله اطمینان 95 ٪ معمولی پارامتر واقعی را پوشش می دهد ارزش با فرکانس 37-93 ٪ ، در حالی که مورد پیشنهادی ما به 93-96 ٪ دست می یابد فرکانس های پوشش.

This paper proposes an approach for enhancing density forecasts of non-normal macroeconomic variables using Bayesian Markov-switching models. Alternative views about economic regimes are combined to produce flexible forecasts, which are optimized with respect to standard objective functions of density forecasting. The optimization procedure explores both forecast combinations and Bayesian model averaging. In an application to U.S. GDP growth, the approach is shown to achieve good accuracy in terms of average predictive densities and to produce well-calibrated forecast distributions. The proposed framework can be used to evaluate the contribution of economists' views to density forecast performance. In the empirical application, we consider views derived from the Fed macroeconomic scenarios used for bank stress tests.

در این مقاله رویکردی برای افزایش پیش بینی چگالی غیر طبیعی ارائه شده است متغیرهای کلان اقتصادی با استفاده از مدل های سوئیچینگ مارکوف بیزی.جایگزین دیدگاه در مورد رژیم های اقتصادی برای تولید پیش بینی های انعطاف پذیر ، که با توجه به توابع هدف استاندارد چگالی بهینه می شوند پیش بینیروش بهینه سازی هر دو ترکیب پیش بینی شده و میانگین مدل بیزی.در برنامه کاربردی برای رشد تولید ناخالص داخلی ایالات متحده ، رویکرد است نشان داده شده برای دستیابی به دقت خوب از نظر متوسط تراکم پیش بینی کننده و به توزیع های پیش بینی شده با کالیبره شده را تولید کنید.چارچوب پیشنهادی می تواند باشد برای ارزیابی سهم دیدگاه اقتصاددانان در پیش بینی چگالی استفاده می شود کارایی.در برنامه تجربی ، ما دیدگاه های حاصل از آن را در نظر می گیریم سناریوهای کلان اقتصادی که برای تست استرس بانکی استفاده می شود.

Identifying structural change is a crucial step in analysis of time series and panel data. The longer the time span, the higher the likelihood that the model parameters have changed as a result of major disruptive events, such as the 2007-2008 financial crisis and the 2020 COVID-19 outbreak. Detecting the existence of breaks, and dating them is therefore necessary not only for estimation purposes but also for understanding drivers of change and their effect on relationships. This article introduces a new community contributed command called xtbreak, which provides researchers with a complete toolbox for analysing multiple structural breaks in time series and panel data. xtbreak can detect the existence of breaks, determine their number and location, and provide break date confidence intervals. The new command is used to explore changes in the relationship between COVID-19 cases and deaths in the US using both country-level time series data and state-level panel data.

شناسایی تغییر ساختاری یک گام مهم در تجزیه و تحلیل سری های زمانی است و داده های پانلهرچه مدت زمان طولانی تر باشد ، احتمال اینکه پارامترهای مدل در نتیجه حوادث مهم مختل کننده مانند تغییر کرده اند. بحران مالی 2007-2008 و شیوع COVID-19 2020.تشخیص وجود استراحت ، و ملاقات با آنها نه تنها برای اهداف تخمین بلکه برای درک رانندگان تغییر و آنها تأثیر بر روابط.در این مقاله یک جامعه جدید مشارکت شده است فرمان به نام Xtbreak ، که یک جعبه ابزار کامل را برای محققان فراهم می کند تجزیه و تحلیل چندین شکست ساختاری در سری های زمانی و داده های پانل.xtbreak can وجود استراحت را تشخیص دهید ، تعداد و مکان آنها را تعیین کنید و فواصل اطمینان تاریخ استراحت را ارائه دهید.از دستور جدید برای کشف استفاده می شود تغییر در رابطه بین موارد COVID-19 و مرگ و میر در ایالات متحده هم داده های سری زمانی سطح کشور و هم داده های پانل سطح دولتی.

Despite its paramount importance in the empirical growth literature, productivity convergence analysis has three problems that have yet to be resolved: (1) little attempt has been made to explore the hierarchical structure of industry-level datasets; (2) industry-level technology heterogeneity has largely been ignored; and (3) cross-sectional dependence has rarely been allowed for. This paper aims to address these three problems within a hierarchical panel data framework. We propose an estimation procedure and then derive the corresponding asymptotic theory. Finally, we apply the framework to a dataset of 23 manufacturing industries from a wide range of countries over the period 1963-2018. Our results show that both the manufacturing industry as a whole and individual manufacturing industries at the ISIC two-digit level exhibit strong conditional convergence in labour productivity, but not unconditional convergence. In addition, our results show that both global and industry-specific shocks are important in explaining the convergence behaviours of the manufacturing industries.

علی رغم اهمیت مهم آن در ادبیات رشد تجربی ، تجزیه و تحلیل همگرایی بهره وری سه مشکل دارد که هنوز وجود ندارد حل شده: (1) تلاش کمی برای کشف سلسله مراتبی انجام شده است ساختار مجموعه داده های سطح صنعت ؛(2) فناوری سطح صنعت ناهمگونی تا حد زیادی نادیده گرفته شده است.و (3) وابستگی مقطعی به ندرت مجاز است.این مقاله با هدف پرداختن به این سه مشکل در درون یک چارچوب داده پانل سلسله مراتبی.ما یک روش تخمین را پیشنهاد می کنیم و سپس نظریه مجانبی مربوطه را استخراج کنید.سرانجام ، ما اعمال می کنیم چارچوب مجموعه داده از 23 صنایع تولیدی از طیف گسترده ای کشورها در دوره 1963-2018.نتایج ما نشان می دهد که هر دو صنعت تولید به عنوان یک صنایع تولیدی کل و فردی در سطح دو رقمی ISIC همگرایی شرطی قوی در نیروی کار نشان می دهد بهره وری ، اما همگرایی بی قید و شرط نیست.علاوه بر این ، نتایج ما نشان می دهد که هر دو شوک جهانی و خاص در صنعت در توضیح این مهم هستند رفتارهای همگرایی صنایع تولیدی.

Vector autoregressive (VAR) models are widely used in practical studies, e.g., forecasting, modelling policy transmission mechanism, and measuring connection of economic agents. To better capture the dynamics, this paper introduces a new class of time-varying VAR models in which the coefficients and covariance matrix of the error innovations are allowed to change smoothly over time. Accordingly, we establish a set of theories, including the impulse responses analyses subject to both of the short-run timing and the long-run restrictions, an information criterion to select the optimal lag, and a Wald-type test to determine the constant coefficients. Simulation studies are conducted to evaluate the theoretical findings. Finally, we demonstrate the empirical relevance and usefulness of the proposed methods through an application to the transmission mechanism of U.S. monetary policy.

مدلهای وکتور اتورگرایی (VAR) به طور گسترده ای در مطالعات عملی استفاده می شود ، به عنوان مثال ، پیش بینی ، مکانیسم انتقال سیاست مدل سازی و اندازه گیری ارتباط عوامل اقتصادی.برای گرفتن بهتر پویایی ، این مقاله کلاس جدیدی از مدل های VAR متغیر زمان را معرفی می کند که در آن ضرایب و ماتریس کواریانس از نوآوری های خطا مجاز به تغییر هموار است زمان.بر این اساس ، ما مجموعه ای از تئوری ها از جمله انگیزه را ایجاد می کنیم تجزیه و تحلیل پاسخ ها موضوع هر دو زمان کوتاه مدت و طولانی مدت محدودیت ها ، معیار اطلاعاتی برای انتخاب تاخیر بهینه و الف تست نوع والد برای تعیین ضرایب ثابت.مطالعات شبیه سازی هستند برای ارزیابی یافته های نظری انجام شده است.سرانجام ، ما نشان می دهیم ارتباط تجربی و سودمندی روشهای پیشنهادی از طریق کاربرد در مکانیسم انتقال سیاست پولی ایالات متحده.

Using a large quarterly macroeconomic dataset over the period 1960Q1-2017Q4, this paper documents the usefulness of selected financial ratios from the housing market and firms' aggregate balance sheets for predicting GDP in the United States over multi-year horizons. A house price-to-rent ratio adjusted for the business cycle and the liabilities-to-income ratio of the nonfinancial noncorporate business sector provide the best in-sample fit and out-of-sample forecasts of cumulative GDP growth over horizons of 1-5 years, outperforming all other predictors as well as popular high-dimensional forecasting models and forecast combinations.

با استفاده از یک مجموعه داده کلان اقتصادی سه ماهه در طی دوره 1960Q1-2017Q4 ، در این مقاله سودمندی نسبت های مالی منتخب از ترازنامه های کل بازار مسکن و شرکت ها برای پیش بینی تولید ناخالص داخلی در ایالات متحده بیش از افق های چند ساله.نسبت قیمت خانه به اجاره تنظیم شده است برای چرخه تجارت و نسبت بدهی به درآمد غیر مالی بخش تجارت غیرقانونی بهترین نمونه در نمونه و خارج از نمونه را ارائه می دهد پیش بینی رشد تولید ناخالص داخلی تجمعی در افق 1-5 سال ، بهتر از همه پیش بینی کننده های دیگر و همچنین مدل های پیش بینی با ابعاد بالا و ترکیب پیش بینی.

This article develops nonparametric cointegrating regression models with endogeneity and semi-long memory. We assume semi-long memory is produced in the regressor process by tempering of random shock coefficients. The fundamental properties of long memory processes are thus retained in the regressor process. Nonparametric nonlinear cointegrating regressions with serially dependent errors and endogenous regressors that are driven by long memory innovations have been considered in Wang and Phillips (2016). That work also implemented a statistical specification test for testing whether the regression function follows a parametric form. The convergence rate of the proposed test is parameter dependent, and its limit theory involves the local time of fractional Brownian motion. The present paper modifies the test statistic proposed for the long memory case by Wang and Phillips (2016) to be suitable for the semi-long memory case. With this modification, the limit theory for the test involves the local time of standard Brownian motion. Through simulation studies, we investigate properties of nonparametric regression function estimation with semi-long memory regressors as well as long memory regressors.

این مقاله مدلهای رگرسیون همگرایی غیر پارامتری را با اندوژن و حافظه نیمه طولانی.ما فرض می کنیم حافظه نیمه طولانی در فرآیند رگرسیون با افزایش ضرایب شوک تصادفی.اساسی از این رو خواص فرآیندهای حافظه طولانی در فرآیند رگرسیون حفظ می شود. رگرسیون های غیر خطی غیر پارامتری با وابسته به سریال وابسته است خطاها و رگرسیون های درون زا که توسط نوآوری های حافظه طولانی هدایت می شوند در وانگ و فیلیپس (2016) در نظر گرفته شده است.این کار همچنین اجرا کرد آزمون مشخصات آماری برای آزمایش اینکه آیا عملکرد رگرسیون یک فرم پارامتری را دنبال می کند.میزان همگرایی آزمون پیشنهادی است وابسته به پارامتر ، و نظریه حد آن شامل زمان محلی کسری است حرکت براون.مقاله حاضر آمار آزمون پیشنهادی برای حافظه طولانی توسط وانگ و فیلیپس (2016) برای نیمه طولانی مناسب است مورد حافظهبا این اصلاح ، تئوری حد برای آزمون شامل می شود زمان محلی حرکت استاندارد براون.از طریق مطالعات شبیه سازی ، ما خصوصیات تخمین عملکرد رگرسیون غیر پارامتری را با رگرسیون های حافظه نیمه طولانی و همچنین رگرسیون حافظه طولانی.

This paper investigates the transmission of funding liquidity shocks, credit risk shocks and unconventional monetary policy within the Euro area. To this aim, we estimate a financial GVAR model for Germany, France, Italy and Spain on monthly data over the period 2006-2017. The interactions between repo markets, sovereign bonds and banks' CDS spreads are analyzed, explicitly accounting for the country-specific effects of the ECB's asset purchase programmes. Impulse response analysis signals marginally significant core-periphery heterogeneity, flight-to-quality effects and spillovers between liquidity conditions and credit risk. Simulated reductions in ECB programmes tend to result in higher government bond yields and bank CDS spreads, especially for Italy and Spain, as well as in falling repo trade volumes and rising repo rates across the Euro area. However, only a few responses to shocks achieve statistical significance.

در این مقاله به انتقال بودجه شوک های نقدینگی ، اعتبار پرداخت شده است شوک های خطر و سیاست پولی غیر متعارف در منطقه یورو.به این هدف ، ما یک مدل GVAR مالی را برای آلمان ، فرانسه ، ایتالیا و اسپانیا تخمین می زنیم داده های ماهانه در دوره 2006-2017.تعامل بین بازارهای repo ، اوراق قرضه حاکمیت و گسترش سی دی های بانک ها مورد تجزیه و تحلیل قرار می گیرند ، صریحاً حساب می کنند اثرات خاص کشور برنامه های خرید دارایی ECB.ضربه تجزیه و تحلیل پاسخ سیگنال ناهمگونی هسته و پریفری بسیار مهم ، اثرات پرواز به کیفیت و سرریز بین شرایط نقدینگی و ریسک اعتباریکاهش شبیه سازی شده در برنامه های ECB منجر به بالاتر می شود بازده اوراق قرضه دولتی و سی دی های بانکی ، به ویژه برای ایتالیا و اسپانیا ، به عنوان و همچنین در کاهش حجم تجارت repo و افزایش نرخ repo در یورو حوزه.با این حال ، تنها چند پاسخ به شوک ها به اهمیت آماری می رسند.

Uncovering the heterogeneity of causal effects of policies and business decisions at various levels of granularity provides substantial value to decision makers. This paper develops estimation and inference procedures for multiple treatment models in a selection-on-observed-variables framework by modifying the Causal Forest approach (Wager and Athey, 2018) in several dimensions. The new estimators have desirable theoretical, computational, and practical properties for various aggregation levels of the causal effects. While an Empirical Monte Carlo study suggests that they outperform previously suggested estimators, an application to the evaluation of an active labour market pro-gramme shows their value for applied research.

پرده برداری از ناهمگونی اثرات علّی سیاست ها و تجارت تصمیمات در سطوح مختلف گرانول ارزش قابل توجهی را فراهم می کند تصمیم گیرندگان.این مقاله روشهای تخمین و استنباط را برای چندین مدل درمانی در یک چارچوب انتخاب بر روی مشاهده-متغیر توسط اصلاح رویکرد جنگل علیت (Wager and Athey ، 2018) در چندین ابعادبرآوردگرهای جدید دارای نظری ، محاسباتی و مطلوب هستند خصوصیات عملی برای سطح مختلف تجمع اثرات علّی. در حالی که یک مطالعه تجربی مونت کارلو نشان می دهد که آنها قبلاً بهتر عمل می کنند برآوردگرهای پیشنهادی ، کاربردی برای ارزیابی یک کار فعال Gramme Pro-Gramme ارزش خود را برای تحقیقات کاربردی نشان می دهد.

This paper proposes a class of parametric multiple-index time series models that involve linear combinations of time trends, stationary variables and unit root processes as regressors. The inclusion of the three different types of time series, along with the use of a multiple-index structure for these variables to circumvent the curse of dimensionality, is due to both theoretical and practical considerations. The M-type estimators (including OLS, LAD, Huber's estimator, quantile and expectile estimators, etc.) for the index vectors are proposed, and their asymptotic properties are established, with the aid of the generalized function approach to accommodate a wide class of loss functions that may not be necessarily differentiable at every point. The proposed multiple-index model is then applied to study the stock return predictability, which reveals strong nonlinear predictability under various loss measures. Monte Carlo simulations are also included to evaluate the finite-sample performance of the proposed estimators.

در این مقاله کلاس از مدلهای سری زمانی چند شاخص پارامتری ارائه شده است که شامل ترکیب های خطی از روند زمان ، متغیرهای ثابت و واحد است فرآیندهای ریشه به عنوان رگرسیون.گنجاندن سه نوع مختلف سری زمانی ، همراه با استفاده از یک ساختار چند شاخص برای اینها متغیرهایی برای دور زدن نفرین ابعاد ، به دلیل هر دو نظری است و ملاحظات عملیبرآوردگرهای نوع M (از جمله OLS ، LAD ، برآوردگر هوبر ، برآوردگرهای کمی و انتظار و غیره) برای فهرست بردارها پیشنهاد می شوند و خصوصیات بدون علامت آنها با کمک رویکرد عملکرد تعمیم یافته برای قرار دادن یک کلاس گسترده از دست دادن کارکردهایی که ممکن است در هر نقطه ای لزوماً متفاوت نباشند.در سپس مدل چند شاخص پیشنهادی برای مطالعه بازده سهام اعمال می شود پیش بینی ، که پیش بینی غیرخطی قوی را در زیر مختلف نشان می دهد اقدامات از دست دادنشبیه سازی مونت کارلو نیز برای ارزیابی عملکرد نمونه محدود از برآوردگرهای پیشنهادی.

This paper proposes a multiplicative component intraday volatility model. The intraday conditional volatility is expressed as the product of intraday periodic component, intraday stochastic volatility component and daily conditional volatility component. I extend the multiplicative component intraday volatility model of Engle (2012) and Andersen and Bollerslev (1998) by incorporating the durations between consecutive transactions. The model can be applied to both regularly and irregularly spaced returns. I also provide a nonparametric estimation technique of the intraday volatility periodicity. The empirical results suggest the model can successfully capture the interdependency of intraday returns.

در این مقاله یک مدل نوسانات داخل قطعات چند قطعی ارائه شده است.در نوسانات مشروط به داخل به عنوان محصول داخل بدن بیان می شود مؤلفه دوره ای ، مؤلفه نوسانات تصادفی داخل و روزانه مؤلفه نوسانات مشروط.من مؤلفه ضرب را گسترش می دهم مدل نوسانات Intraday Engle (2012) و Andersen and Bollerslev (1998) توسط شامل مدت زمان بین معاملات متوالی.مدل می تواند باشد برای بازده های منظم و نامنظم در فاصله استفاده می شود.من همچنین ارائه می دهم تکنیک برآورد غیرپارامتری تناوب نوسانات داخل بدن.در نتایج تجربی نشان می دهد که مدل می تواند با موفقیت ضبط کند وابستگی متقابل بازده داخلی.

We propose \textbf{occ2vec}, a principal approach to representing occupations, which can be used in matching, predictive and causal modeling, and other economic areas. In particular, we use it to score occupations on any definable characteristic of interest, say the degree of \textquote{greenness}. Using more than 17,000 occupation-specific text descriptors, we transform each occupation into a high-dimensional vector using natural language processing. Similar, we assign a vector to the target characteristic and estimate the occupational degree of this characteristic as the cosine similarity between the vectors. The main advantages of this approach are its universal applicability and verifiability contrary to existing ad-hoc approaches. We extensively validate our approach on several exercises and then use it to estimate the occupational degree of charisma and emotional intelligence (EQ). We find that occupations that score high on these tend to have higher educational requirements. Turning to wages, highly charismatic occupations are either found in the lower or upper tail in the wage distribution. This is not found for EQ, where higher levels of EQ are generally correlated with higher wages.

ما \ textbf {occ2vec} را پیشنهاد می کنیم ، یک رویکرد اصلی برای نمایندگی مشاغل ، که می تواند در تطبیق ، مدل سازی پیش بینی کننده و علّی مورد استفاده قرار گیرد و سایر مناطق اقتصادی.به طور خاص ، ما از آن برای کسب مشاغل در هر مورد استفاده می کنیم ویژگی قابل تعریف علاقه ، بگویید درجه \ textquote {سبز. با استفاده از بیش از 17000 توصیف کننده متن خاص شغل ، ما هرکدام را تغییر می دهیم اشغال در یک وکتور با ابعاد بالا با استفاده از پردازش زبان طبیعی. مشابه ، ما یک بردار را به ویژگی هدف اختصاص می دهیم و تخمین می زنیم درجه شغلی این ویژگی به عنوان شباهت کسین بین بردارهامزایای اصلی این رویکرد کاربرد جهانی آن است و تأیید بر خلاف رویکردهای آگهی موجود.ما به طور گسترده رویکرد ما را در چندین تمرین تأیید کنید و سپس از آن برای تخمین استفاده کنید درجه شغلی کاریزما و هوش هیجانی (EQ).ما این را پیدا می کنیم شغل هایی که در این مورد نمره بالایی دارند ، تمایل به تحصیلات عالی دارند الزامات.روی آوردن به دستمزد ، مشاغل بسیار کاریزماتیک یافت می شود در دم پایین یا بالا در توزیع دستمزد.این برای EQ یافت نمی شود ، جایی که سطح بالاتر EQ به طور کلی با دستمزد بالاتر در ارتباط است.

Dealing with structural breaks is an important step in most, if not all, empirical economic research. This is particularly true in panel data comprised of many cross-sectional units, such as individuals, firms or countries, which are all affected by major events. The COVID-19 pandemic has affected most sectors of the global economy, and there is by now plenty of evidence to support this. The impact on stock markets is, however, still unclear. The fact that most markets seem to have partly recovered while the pandemic is still ongoing suggests that the relationship between stock returns and COVID-19 has been subject to structural change. It is therefore important to know if a structural break has occurred and, if it has, to infer the date of the break. In the present paper we take this last observation as a source of motivation to develop a new break detection toolbox that is applicable to different sized panels, easy to implement and robust to general forms of unobserved heterogeneity. The toolbox, which is the first of its kind, includes a test for structural change, a break date estimator, and a break date confidence interval. Application to a panel covering 61 countries from January 3 to September 25, 2020, leads to the detection of a structural break that is dated to the first week of April. The effect of COVID-19 is negative before the break and zero thereafter, implying that while markets did react, the reaction was short-lived. A possible explanation for this is the quantitative easing programs announced by central banks all over the world in the second half of March.

مقابله با وقفه های ساختاری یک گام مهم در اکثر موارد است ، اگر نه همه ، تحقیقات اقتصادی تجربی.این امر به ویژه در داده های پانل شامل صادق است از بسیاری از واحدهای مقطعی ، مانند افراد ، بنگاهها یا کشورها ، که همه تحت تأثیر وقایع مهم قرار دارند.همه گیر Covid-19 بیشترین تأثیر را بر عهده داشته است بخش های اقتصاد جهانی ، و در حال حاضر شواهد زیادی وجود دارد از این حمایت کنید.با این حال ، تأثیر در بورس سهام هنوز مشخص نیست.حقیقت به نظر می رسد که بیشتر بازارها تا حدی بهبود یافته اند در حالی که همه گیر هنوز هم است مداوم نشان می دهد که رابطه بین بازده سهام و Covid-19 داشته است در معرض تغییر ساختاری بوده است.بنابراین مهم است که بدانیم آیا استراحت ساختاری رخ داده است و در صورت وجود ، تاریخ استراحت را استنباط می کند. در مقاله حاضر ، این آخرین مشاهدات را به عنوان منبع انگیزه در نظر می گیریم یک جعبه ابزار جدید برای تشخیص استراحت ایجاد کنید که برای اندازه های مختلف کاربرد دارد پانل ها ، آسان برای اجرای و قوی برای اشکال عمومی بدون نظارت ناهمگونیجعبه ابزار ، که اولین نوع از آن است ، شامل یک آزمایش برای تغییر ساختاری ، برآوردگر تاریخ استراحت و اعتماد به نفس تاریخ استراحت فاصلهدرخواست در یک تابلوی شامل 61 کشور از 3 ژانویه تا 25 سپتامبر 2020 ، منجر به تشخیص یک استراحت ساختاری می شود که تاریخ آن است تا هفته اول آوریل.تأثیر Covid-19 قبل از استراحت منفی است و پس از آن صفر ، دلالت بر اینکه در حالی که بازارها واکنش نشان می دهند ، واکنش بود کوتاه مدتیک توضیح احتمالی برای این کار کاهش کمی است برنامه های اعلام شده توسط بانک های مرکزی در سراسر جهان در نیمه دوم مارس.

This paper develops bootstrap methods for practical statistical inference in panel data quantile regression models with fixed effects. We consider random-weighted bootstrap resampling and formally establish its validity for asymptotic inference. The bootstrap algorithm is simple to implement in practice by using a weighted quantile regression estimation for fixed effects panel data. We provide results under conditions that allow for temporal dependence of observations within individuals, thus encompassing a large class of possible empirical applications. Monte Carlo simulations provide numerical evidence the proposed bootstrap methods have correct finite sample properties. Finally, we provide an empirical illustration using the environmental Kuznets curve.

در این مقاله روشهای بوت استرپ برای استنباط آماری عملی در داده های پانل مدلهای رگرسیون کوانتری با اثرات ثابت.ما در نظر داریم راه اندازی مجدد بوت استرپ با وزن تصادفی و رسماً اعتبار خود را برای آن تعیین می کند استنباط بدون علامت.الگوریتم bootstrap برای پیاده سازی ساده است با استفاده از تخمین رگرسیون کمی وزنی برای اثرات ثابت تمرین کنید پنل اطلاعات.ما در شرایطی نتیجه می دهیم که امکان زمانی را فراهم می کند وابستگی به مشاهدات در افراد ، بنابراین شامل یک کلاس بزرگ است از برنامه های تجربی احتمالیشبیه سازی مونت کارلو عددی را ارائه می دهد شواهد روشهای بوت استرپ پیشنهادی دارای خواص نمونه محدود صحیح هستند. سرانجام ، ما با استفاده از کوزنتهای محیطی یک تصویر تجربی ارائه می دهیم منحنی

We propose pair copula constructed point-optimal sign tests in the context of linear and nonlinear predictive regressions with endogenous, persistent regressors, and disturbances exhibiting serial (nonlinear) dependence. The proposed approach entails considering the entire dependence structure of the signs to capture the serial dependence, and building feasible test statistics based on pair copula constructions of the sign process. The tests are exact and valid in the presence of heavy tailed and nonstandard errors, as well as heterogeneous and persistent volatility. Furthermore, they may be inverted to build confidence regions for the parameters of the regression function. Finally, we adopt an adaptive approach based on the split-sample technique to maximize the power of the test by finding an appropriate alternative hypothesis. In a Monte Carlo study, we compare the performance of the proposed "quasi"-point-optimal sign tests based on pair copula constructions by comparing its size and power to those of certain existing tests that are intended to be robust against heteroskedasticity. The simulation results maintain the superiority of our procedures to existing popular tests.

ما تست های علامت بهینه-بهینه سازی شده را در زمینه ارائه می دهیم رگرسیون پیش بینی کننده خطی و غیرخطی با درون زا ، پایدار رگرسیون ، و آشفتگی های نمایش وابستگی سریال (غیرخطی).در رویکرد پیشنهادی مستلزم با توجه به کل ساختار وابستگی است نشانه هایی برای گرفتن وابستگی سریال و ساختار آزمایش امکان پذیر بر اساس ساخت و سازهای جفت کوپلا از فرآیند علامت.تست ها دقیق هستند و در حضور خطاهای سنگین و غیر استاندارد و همچنین معتبر است نوسانات ناهمگن و مداوم.علاوه بر این ، آنها ممکن است معکوس شوند برای پارامترهای عملکرد رگرسیون مناطق اعتماد به نفس ایجاد کنید. سرانجام ، ما یک رویکرد تطبیقی را بر اساس تکنیک نمونه تقسیم شده اتخاذ می کنیم با یافتن یک جایگزین مناسب ، قدرت آزمون را به حداکثر برسانید فرضیه.در یک مطالعه مونت کارلو ، ما عملکرد پیشنهادی را مقایسه می کنیم تست های علامت "شبه" -point-Optimal بر اساس ساخت و سازهای کوپول جفت توسط مقایسه اندازه و قدرت آن با برخی از تست های موجود موجود در نظر گرفته شده است که در برابر ناهمگونی قوی باشد.نتایج شبیه سازی برتری رویه های ما را نسبت به تست های محبوب موجود حفظ کنید.

In program evaluations, units can often anticipate the implementation of a new policy before it occurs. Such anticipatory behavior can lead to units' outcomes becoming dependent on their future treatment assignments. In this paper, I employ a potential-outcomes framework to analyze the treatment effect with anticipation. I start with a classical difference-in-differences model with two time periods and provide identified sets with easy-to-implement estimation and inference strategies for causal parameters. Empirical applications and generalizations are provided. I illustrate my results by analyzing the effect of an early retirement incentive program for teachers, which the target units were likely to anticipate, on student achievement. The empirical results show the result can be overestimated by up to 30\% in the worst case and demonstrate the potential pitfalls of failing to consider anticipation in policy evaluation.

در ارزیابی برنامه ، واحدها اغلب می توانند اجرای a را پیش بینی کنند سیاست جدید قبل از وقوع آن.چنین رفتارهای پیش بینی شده می تواند منجر به واحدها شود نتایج وابسته به تکالیف درمانی آینده آنها است.در این مقاله ، من از یک چارچوب بالقوه نتایج برای تجزیه و تحلیل اثر درمانی استفاده می کنم با پیش بینیمن با یک مدل تفاوت کلاسیک در تمایز شروع می کنم با دو دوره زمانی و مجموعه های شناسایی شده را با استفاده از برنامه آسان ارائه دهید برآورد و استراتژی های استنتاج برای پارامترهای علی.تجربی برنامه ها و کلیات ارائه شده است.من نتایج خود را توسط تجزیه و تحلیل تأثیر یک برنامه تشویقی بازنشستگی زودرس برای معلمان ، که واحدهای هدف احتمالاً در مورد پیشرفت دانش آموزان پیش بینی می کردند.در نتایج تجربی نشان می دهد که نتیجه می تواند تا 30 \ ٪ در بدترین حالت و نشان دهنده مشکلات احتمالی عدم توجه است پیش بینی در ارزیابی سیاست.

In many applications of regression discontinuity designs, the running variable used by the administrator to assign treatment is only observed with error. We show that, provided the observed running variable (i) correctly classifies the treatment assignment, and (ii) affects the conditional means of the potential outcomes smoothly, ignoring the measurement error nonetheless yields an estimate with a causal interpretation: the average treatment effect for units whose observed running variable equals to the cutoff. We show that, possibly after doughnut trimming, these assumptions accommodate a variety of settings where support of the measurement error is not too wide. We propose to conduct inference using bias-aware methods, which remain valid even when discreteness or irregular support in the observed running variable may lead to partial identification. We illustrate the results for both sharp and fuzzy designs in an empirical application.

در بسیاری از کاربردهای طرح های ناپیوستگی رگرسیون ، در حال اجرا متغیر استفاده شده توسط مدیر برای اختصاص درمان فقط با آن مشاهده می شود خطاما نشان می دهیم که ، متغیر در حال اجرا مشاهده شده (i) را به درستی ارائه می دهد تعیین تکلیف درمانی ، و (ب) بر وسایل مشروط تأثیر می گذارد نتایج بالقوه یکنواخت ، با این وجود خطای اندازه گیری را نادیده می گیرد تخمین با یک تفسیر علی انجام می دهد: میانگین اثر درمانی برای واحدهایی که متغیر در حال اجرا مشاهده شده برابر با برش است.ما این را نشان می دهیم ، احتمالاً پس از پیرایش پیراشکی ، این فرضیات انواع مختلفی را در خود جای می دهد تنظیماتی که پشتیبانی از خطای اندازه گیری خیلی گسترده نیست.ما پیشنهاد می کنیم استنباط را با استفاده از روشهای آگاهانه تعصب انجام دهید ، که حتی در صورت اعتبار نیز معتبر هستند تفکیک یا پشتیبانی نامنظم در متغیر در حال اجرا مشاهده شده ممکن است منجر به شناسایی جزئیما نتایج را برای هر دو تیز و فازی نشان می دهیم طراحی در یک برنامه تجربی.

We propose a dynamic network quantile regression model to investigate the quantile connectedness using a predetermined network information. We extend the existing network quantile autoregression model of Zhu et al. (2019b) by explicitly allowing the contemporaneous network effects and controlling for the common factors across quantiles. To cope with the endogeneity issue due to simultaneous network spillovers, we adopt the instrumental variable quantile regression (IVQR) estimation and derive the consistency and asymptotic normality of the IVQR estimator using the near epoch dependence property of the network process. Via Monte Carlo simulations, we confirm the satisfactory performance of the IVQR estimator across different quantiles under the different network structures. Finally, we demonstrate the usefulness of our proposed approach with an application to the dataset on the stocks traded in NYSE and NASDAQ in 2016.

ما یک مدل رگرسیون کمی شبکه پویا برای بررسی اتصال کمی با استفاده از اطلاعات شبکه از پیش تعیین شده.ما گسترش می دهیم شبکه موجودی مقداری اتورگریت شبکه موجود از ژو و همکاران.(2019b) توسط صریحاً اجازه می دهد تا اثرات شبکه معاصر و کنترل برای عوامل متداول در بین مقدار.برای مقابله با مسئله درون زا به دلیل ما همزمان شبکه ، متغیر ابزاری را کمی اتخاذ می کنیم تخمین رگرسیون (IVQR) و قوام و بدون علامت را به دست می آورید نرمال بودن برآوردگر IVQR با استفاده از خاصیت وابستگی به دوره نزدیک از فرآیند شبکه.از طریق شبیه سازی مونت کارلو ، ما رضایت بخش را تأیید می کنیم عملکرد برآوردگر IVQR در مقادیر مختلف در زیر ساختارهای مختلف شبکه.سرانجام ، ما سودمندی خود را نشان می دهیم رویکرد پیشنهادی با یک برنامه به مجموعه داده در سهام معامله شده در NYSE و NASDAQ در سال 2016.

We propose a method to remedy finite sample coverage problems and improve upon the efficiency of commonly employed procedures for the construction of nonparametric confidence intervals in regression kink designs. The proposed interval is centered at the half-length optimal, numerically obtained linear minimax estimator over distributions with Lipschitz constrained conditional mean function. Its construction ensures excellent finite sample coverage and length properties which are demonstrated in a simulation study and an empirical illustration. Given the Lipschitz constant that governs how much curvature one plausibly allows for, the procedure is fully data driven, computationally inexpensive, incorporates shape constraints and is valid irrespective of the distribution of the assignment variable.

ما روشی را برای رفع مشکلات پوشش نمونه محدود و بهبود پیشنهاد می کنیم با بهره وری از روشهای متداول برای ساخت فواصل اعتماد به نفس غیرپارامتری در طرح های رگرسیون.پیشنهاد فاصله در خطی بهینه ، خطی به دست آمده عددی متمرکز شده است برآوردگر Minimax بیش از توزیع با Lipschitz مشروط محدود عملکرد متوسطساخت و ساز آن پوشش نمونه محدود و عالی را تضمین می کند و خواص طول که در یک مطالعه شبیه سازی و یک تجربی نشان داده شده است تصویر.با توجه به ثابت Lipschitz که حاکم است چقدر انحنای به طور محتمل امکان پذیر است ، این روش کاملاً داده شده است ، از نظر محاسباتی ارزان ، شامل محدودیت های شکل است و صرف نظر از آن معتبر است توزیع متغیر واگذاری.