Datasets:

mabidan

/

econ_paper_abstracts_fa_translation

like 1

Despite its critical importance, the famous X-model elaborated by Ziel and Steinert (2016) has neither bin been widely studied nor further developed. And yet, the possibilities to improve the model are as numerous as the fields it can be applied to. The present paper takes advantage of a technique proposed by Coulon et al. (2014) to enhance the X-model. Instead of using the wholesale supply and demand curves as inputs for the model, we rely on the transformed versions of these curves with a perfectly inelastic demand. As a result, computational requirements of our X-model reduce and its forecasting power increases substantially. Moreover, our X-model becomes more robust towards outliers present in the initial auction curves data.

علی رغم اهمیت بحرانی آن ، مدل معروف X که توسط Ziel و اشتاینرت (2016) نه سطل به طور گسترده مورد مطالعه قرار گرفته است و نه بیشتر توسعه یافته است.وت با این حال ، امکانات برای بهبود مدل به همان اندازه زمینه های آن است قابل استفاده برایمقاله حاضر از تکنیکی که توسط کولون و همکاران.(2014) برای تقویت مدل X.به جای استفاده از عمده فروشی منحنی های عرضه و تقاضا به عنوان ورودی برای مدل ، ما به تبدیل شده متکی هستیم نسخه های این منحنی ها با یک تقاضای کاملاً غیرقانونی.در نتیجه، الزامات محاسباتی مدل X ما و قدرت پیش بینی آن به طور قابل ملاحظه ای افزایش می یابد.علاوه بر این ، مدل X ما نسبت به آن قوی تر می شود Outriers موجود در داده های منحنی حراج اولیه.

In their IZA Discussion Paper 10247, Johansson and Lee claim that the main result (Proposition 3) in Abbring and Van den Berg (2003b) does not hold. We show that their claim is incorrect. At a certain point within their line of reasoning, they make a rather basic error while transforming one random variable into another random variable, and this leads them to draw incorrect conclusions. As a result, their paper can be discarded.

در مقاله بحث IZA 10247 ، یوهانسون و لی ادعا می کنند که اصلی است نتیجه (گزاره 3) در Abbring و Van Den Berg (2003b) برگزار نمی شود.ما نشان دهید که ادعای آنها نادرست است.در یک نقطه خاص در خط آنها استدلال ، آنها در حالی که یک تصادفی را تغییر می دهند ، یک خطای نسبتاً اساسی ایجاد می کنند متغیر به یک متغیر تصادفی دیگر ، و این باعث می شود که آنها نادرست ترسیم شوند نتیجه گیریدر نتیجه ، مقاله آنها را می توان دور ریخت.

This study examines statistical performance of tests for time-varying properties under misspecified conditional mean and variance. When we test for time-varying properties of the conditional mean in the case in which data have no time-varying mean but have time-varying variance, asymptotic tests have size distortions. This is improved by the use of a bootstrap method. Similarly, when we test for time-varying properties of the conditional variance in the case in which data have time-varying mean but no time-varying variance, asymptotic tests have large size distortions. This is not improved even by the use of bootstrap methods. We show that tests for time-varying properties of the conditional mean by the bootstrap are robust regardless of the time-varying variance model, whereas tests for time-varying properties of the conditional variance do not perform well in the presence of misspecified time-varying mean.

این مطالعه به بررسی عملکرد آماری آزمون ها برای متغیر زمان می پردازد خواص تحت میانگین و واریانس مشروط اشتباه.وقتی ما برای خصوصیات متغیر زمان از میانگین مشروط در موردی که داده ها دارند هیچ میانگین متغیر اما دارای واریانس متغیر زمان ، آزمایش های بدون علامت اندازه دارند تحریفاین با استفاده از روش bootstrap بهبود می یابد.به همین ترتیب ، چه زمانی ما برای خصوصیات متغیر زمان واریانس شرطی در مورد در مورد آزمایش می کنیم کدام داده ها دارای میانگین متغیر زمان هستند اما واریانس متغیر زمان ، بدون علامت آزمایشات دارای اعوجاج در اندازه بزرگ هستند.این حتی با استفاده از آن بهبود نمی یابد روش های بوت استرپ.ما نشان می دهیم که تست برای خصوصیات متغیر زمان مشروط از بوت استرپ بدون توجه به زمان متغیر قوی است مدل واریانس ، در حالی که تست هایی برای خصوصیات متغیر زمان مشروط واریانس در حضور میانگین متغیرهای متغیرهای غلط عملکرد خوبی ندارد.

This study compares statistical properties of ARCH tests that are robust to the presence of the misspecified conditional mean. The approaches employed in this study are based on two nonparametric regressions for the conditional mean. First is the ARCH test using Nadayara-Watson kernel regression. Second is the ARCH test using the polynomial approximation regression. The two approaches do not require specification of the conditional mean and can adapt to various nonlinear models, which are unknown a priori. Accordingly, they are robust to misspecified conditional mean models. Simulation results show that ARCH tests based on the polynomial approximation regression approach have better statistical properties than ARCH tests using Nadayara-Watson kernel regression approach for various nonlinear models.

این مطالعه خصوصیات آماری تست های قوس را که قوی هستند مقایسه می کند وجود میانگین مشروط اشتباه.رویکردهای به کار رفته در این مطالعه بر اساس دو رگرسیون غیر پارامتری برای میانگین مشروط است. اول آزمون قوس با استفاده از رگرسیون هسته Nadayara-Watson است.دوم آزمون قوس با استفاده از رگرسیون تقریب چند جمله ای.این دو رویکرد انجام می دهند نیازی به مشخصات میانگین مشروط نیست و می تواند با مختلف سازگار شود مدل های غیرخطی ، که پیشینی ناشناخته هستند.بر این اساس ، آنها قوی هستند مدلهای میانگین مشروط اشتباه.نتایج شبیه سازی نشان می دهد که تست های قوس بر اساس رویکرد رگرسیون تقریب چند جمله ای بهتر است خصوصیات آماری نسبت به تست های قوس با استفاده از رگرسیون هسته Nadayara-Watson رویکرد برای مدلهای مختلف غیرخطی.

This paper provides a necessary and sufficient instruments condition assuring two-step generalized method of moments (GMM) based on the forward orthogonal deviations transformation is numerically equivalent to two-step GMM based on the first-difference transformation. The condition also tells us when system GMM, based on differencing, can be computed using forward orthogonal deviations. Additionally, it tells us when forward orthogonal deviations and differencing do not lead to the same GMM estimator. When estimators based on these two transformations differ, Monte Carlo simulations indicate that estimators based on forward orthogonal deviations have better finite sample properties than estimators based on differencing.

این مقاله شرط لازم و کافی را برای اطمینان از اطمینان فراهم می کند روش عمومی دو مرحله ای از لحظات (GMM) بر اساس متعامد رو به جلو تحول انحراف از نظر عددی معادل GMM دو مرحله ای بر اساس تحول در اختلاف اول.این وضعیت همچنین به ما می گوید چه زمانی سیستم GMM ، بر اساس تفاوت ، می تواند با استفاده از متعامد رو به جلو محاسبه شود انحرافاتعلاوه بر این ، این به ما می گوید وقتی انحرافات متعامد رو به جلو و تفاوت به همان برآوردگر GMM منجر نمی شود.هنگامی که برآوردگرها بر اساس این دو تحول متفاوت است ، شبیه سازی مونت کارلو این را نشان می دهد برآوردگرها بر اساس انحرافات متعامد رو به جلو ، نمونه محدودی بهتر دارند خواص نسبت به برآوردگرها بر اساس تفاوت.

This paper introduces a version of the interdependent value model of Milgrom and Weber (1982), where the signals are given by an index gathering signal shifters observed by the econometrician and private ones specific to each bidders. The model primitives are shown to be nonparametrically identified from first-price auction bids under a testable mild rank condition. Identification holds for all possible signal values. This allows to consider a wide range of counterfactuals where this is important, as expected revenue in second-price auction. An estimation procedure is briefly discussed.

در این مقاله نسخه ای از مدل ارزش وابسته به Milgrom ارائه شده است و وبر (1982) ، جایی که سیگنال ها توسط یک سیگنال جمع آوری شاخص داده می شوند شیفت های مشاهده شده توسط اقتصاددان و خصوصی مخصوص هر یک داوطلباننشان داده شده است که بدوی مدل از نظر غیر پارامتری مشخص می شود پیشنهادات حراج قیمت اول تحت یک شرایط خفیف قابل آزمایش.شناسایی برای تمام مقادیر سیگنال ممکن نگه می دارد.این اجازه می دهد تا طیف گسترده ای از Counterfactuals که در آن این مهم است ، همانطور که درآمد انتظار می رود در قیمت دوم حراجیک روش تخمین به طور خلاصه مورد بحث قرار می گیرد.

Given the unconfoundedness assumption, we propose new nonparametric estimators for the reduced dimensional conditional average treatment effect (CATE) function. In the first stage, the nuisance functions necessary for identifying CATE are estimated by machine learning methods, allowing the number of covariates to be comparable to or larger than the sample size. The second stage consists of a low-dimensional local linear regression, reducing CATE to a function of the covariate(s) of interest. We consider two variants of the estimator depending on whether the nuisance functions are estimated over the full sample or over a hold-out sample. Building on Belloni at al. (2017) and Chernozhukov et al. (2018), we derive functional limit theory for the estimators and provide an easy-to-implement procedure for uniform inference based on the multiplier bootstrap. The empirical application revisits the effect of maternal smoking on a baby's birth weight as a function of the mother's age.

با توجه به فرض عدم تمایل ، ما غیر پارامتری جدید را پیشنهاد می کنیم برآوردگرها برای کاهش میانگین درمان میانگین شرطی ابعاد کاهش یافته عملکرد (CATE) عملکرد.در مرحله اول ، عملکردهای مزاحمت لازم برای شناسایی CATE با روش های یادگیری ماشین تخمین زده می شود و به آنها امکان می دهد متغیرهای متغیرهای قابل مقایسه با اندازه نمونه.دومین مرحله شامل یک رگرسیون خطی محلی با ابعاد کم است و باعث کاهش CATE به a می شود عملکرد متغیرهای متغیر (های) مورد علاقه.ما دو نوع از برآوردگر بسته به اینکه آیا توابع مزاحمت نسبت به آن تخمین زده می شود نمونه کامل یا بیش از یک نمونه نگهدارنده.ساختمان روی بلونی در آل.(2017) و Chernozhukov و همکاران.(2018) ، ما تئوری حد عملکردی را برای برآوردگرها و یک روش آسان برای اجرای برای استنباط یکنواخت ارائه می دهند بر اساس بوت استرپ چند برابر.برنامه تجربی تجدید نظر می کند تأثیر سیگار کشیدن مادران بر وزن تولد کودک به عنوان تابعی از سن مادر

We consider nonparametric identification of independent private value first-price auction models, in which the analyst only observes winning bids. Our benchmark model assumes an exogenous number of bidders N. We show that, if the bidders observe N, the resulting discontinuities in the winning bid density can be used to identify the distribution of N. The private value distribution can be nonparametrically identified in a second step. This extends, under testable identification conditions, to the case where N is a number of potential buyers, who bid with some unknown probability. Identification also holds in presence of additive unobserved heterogeneity drawn from some parametric distributions. A last class of extensions deals with cartels which can change size across auctions due to varying bidder cartel membership. Identification still holds if the econometrician observes winner identities and winning bids, provided a (unknown) bidder is always a cartel member. The cartel participation probabilities of other bidders can also be identified. An application to USFS timber auction data illustrates the usefulness of discontinuities to analyze bidder participation.

ما شناسایی غیرپارامتری از ارزش خصوصی مستقل را در نظر می گیریم مدل های حراج قیمت اول ، که در آن تحلیلگر فقط پیشنهادات برنده را مشاهده می کند. مدل معیار ما تعداد برون زا از داوطلبان N. را فرض می کند. ما این را نشان می دهیم ، اگر داوطلبان N را مشاهده می کنند ، ناپیوستگی های حاصل در تراکم پیشنهاد برنده می تواند برای شناسایی توزیع N. توزیع ارزش خصوصی استفاده شود در مرحله دوم می توان به طور غیرپارامتری شناسایی شد.این گسترش می یابد ، زیر شرایط شناسایی قابل آزمایش ، به مواردی که n تعدادی از آن است خریداران بالقوه ، که با برخی از احتمال ناشناخته پیشنهاد می کنند.همچنین شناسایی در حضور ناهمگونی بدون نظارت افزودنی که از بعضی ها گرفته شده است توزیع پارامتری.آخرین کلاس پسوند با کارتل ها سروکار دارد که به دلیل عضویت در کارتل پیشنهاد دهنده متفاوت ، می تواند اندازه را در حراج ها تغییر دهد. اگر اقتصاددان هویت برنده را مشاهده کند ، شناسایی هنوز هم وجود دارد پیشنهادات برنده ، مشروط بر اینکه یک پیشنهاد دهنده (ناشناخته) همیشه عضو کارتل باشد.کارتل احتمال مشارکت سایر داوطلبان نیز می تواند مشخص شود.در کاربرد در داده های حراج چوب USFS سودمندی را نشان می دهد ناپیوستگی برای تجزیه و تحلیل مشارکت پیشنهاد دهنده.

Establishing that a demand mapping is injective is core first step for a variety of methodologies. When a version of the law of demand holds, global injectivity can be checked by seeing whether the demand mapping is constant over any line segments. When we add the assumption of differentiability, we obtain necessary and sufficient conditions for injectivity that generalize classical \cite{gale1965jacobian} conditions for quasi-definite Jacobians.

تعیین اینکه نقشه برداری تقاضا تزریقی است ، اولین گام اصلی برای یک است انواع روشها.وقتی نسخه ای از قانون تقاضا وجود دارد ، جهانی با دیدن اینکه آیا نقشه برداری تقاضا ثابت است ، می توان تزریق کرد بیش از هر بخش خط.وقتی فرض متفاوت بودن را اضافه می کنیم ، ما شرایط لازم و کافی را برای تزریق که تعمیم می یابد بدست آورید Classic \ Cite {Gale1965jacobian} شرایط برای ژاکوبیان شبه دفاعی.

Policy evaluation is central to economic data analysis, but economists mostly work with observational data in view of limited opportunities to carry out controlled experiments. In the potential outcome framework, the panel data approach (Hsiao, Ching and Wan, 2012) constructs the counterfactual by exploiting the correlation between cross-sectional units in panel data. The choice of cross-sectional control units, a key step in its implementation, is nevertheless unresolved in data-rich environment when many possible controls are at the researcher's disposal. We propose the forward selection method to choose control units, and establish validity of the post-selection inference. Our asymptotic framework allows the number of possible controls to grow much faster than the time dimension. The easy-to-implement algorithms and their theoretical guarantee extend the panel data approach to big data settings.

ارزیابی سیاست برای تجزیه و تحلیل داده های اقتصادی بسیار مهم است ، اما اقتصاددانان بیشتر با توجه به فرصت های محدود برای انجام با داده های مشاهده ای کار کنید آزمایش های کنترل شده.در چارچوب نتیجه بالقوه ، داده های پانل رویکرد (Hsiao ، Ching and Wan ، 2012) خلاف واقع توسط بهره برداری از همبستگی بین واحدهای مقطعی در داده های پانل.در انتخاب واحدهای کنترل مقطعی ، یک گام کلیدی در اجرای آن ، این است با این وجود در بسیاری از کنترل های ممکن در محیط غنی از داده حل نشده است در اختیار محققان هستند.ما روش انتخاب رو به جلو را پیشنهاد می کنیم واحدهای کنترل را انتخاب کرده و اعتبار استنباط پس از انتخاب را تعیین کنید. چارچوب بدون علامت ما اجازه می دهد تا تعداد کنترل های احتمالی بسیار رشد کند سریعتر از بعد زمان.الگوریتم های آسان برای اجرای و آنها ضمانت نظری رویکرد داده پانل را به تنظیمات داده های بزرگ گسترش می دهد.

A family of models of individual discrete choice are constructed by means of statistical averaging of choices made by a subject in a reinforcement learning process, where the subject has short, k-term memory span. The choice probabilities in these models combine in a non-trivial, non-linear way the initial learning bias and the experience gained through learning. The properties of such models are discussed and, in particular, it is shown that probabilities deviate from Luce's Choice Axiom, even if the initial bias adheres to it. Moreover, we shown that the latter property is recovered as the memory span becomes large. Two applications in utility theory are considered. In the first, we use the discrete choice model to generate binary preference relation on simple lotteries. We show that the preferences violate transitivity and independence axioms of expected utility theory. Furthermore, we establish the dependence of the preferences on frames, with risk aversion for gains, and risk seeking for losses. Based on these findings we propose next a parametric model of choice based on the probability maximization principle, as a model for deviations from expected utility principle. To illustrate the approach we apply it to the classical problem of demand for insurance.

خانواده ای از مدل های انتخاب گسسته فردی با استفاده از میانگین آماری انتخابی که توسط یک موضوع در یک یادگیری تقویت انجام شده است فرآیند ، جایی که موضوع دارای مدت حافظه کوتاه و کوتاه است.انتخاب احتمالات در این مدلها به روشی غیر مهم و غیر خطی ترکیب می شوند تعصب یادگیری اولیه و تجربه به دست آمده از طریق یادگیری.در خواص چنین مدلهایی مورد بحث قرار می گیرد و به ویژه نشان داده شده است که احتمالات از Axiom انتخاب Luce منحرف می شوند ، حتی اگر تعصب اولیه به آن پایبند است.علاوه بر این ، ما نشان دادیم که خاصیت دوم به عنوان طول حافظه بزرگ می شود. دو برنامه در تئوری ابزار در نظر گرفته شده است.در وهله اول ، ما استفاده می کنیم مدل انتخاب گسسته برای ایجاد رابطه ترجیحی باینری در ساده قرعه کشیما نشان می دهیم که ترجیحات انتقال و استقلال را نقض می کند بدیهیات تئوری ابزار مورد انتظار.علاوه بر این ، ما وابستگی را تعیین می کنیم ترجیحات مربوط به فریم ها ، با ریسک پذیری برای سود و ریسک به دنبال تلفات.بر اساس این یافته ها ما یک مدل پارامتری انتخاب بعدی را پیشنهاد می کنیم بر اساس اصل حداکثر رساندن احتمال ، به عنوان الگویی برای انحراف از اصل ابزار مورد انتظار.برای نشان دادن رویکردی که ما آن را در آن اعمال می کنیم مشکل کلاسیک تقاضا برای بیمه.

We propose a new finite sample corrected variance estimator for the linear generalized method of moments (GMM) including the one-step, two-step, and iterated estimators. Our formula additionally corrects for the over-identification bias in variance estimation on top of the commonly used finite sample correction of Windmeijer (2005) which corrects for the bias from estimating the efficient weight matrix, so is doubly corrected. An important feature of the proposed double correction is that it automatically provides robustness to misspecification of the moment condition. In contrast, the conventional variance estimator and the Windmeijer correction are inconsistent under misspecification. That is, the proposed double correction formula provides a convenient way to obtain improved inference under correct specification and robustness against misspecification at the same time.

ما یک نمونه محدود محدود برای برآوردگر واریانس اصلاح شده برای خطی پیشنهاد می کنیم روش تعمیم یافته لحظات (GMM) از جمله یک مرحله ، دو مرحله و برآوردگرهای تکرار شده.فرمول ما علاوه بر این اصلاح می کند تعصب بیش از حد شناسایی در برآورد واریانس در بالای استفاده شده تصحیح نمونه محدود Windmeijer (2005) که تعصب را تصحیح می کند تخمین ماتریس وزن کارآمد ، بنابراین به طور مضاعف اصلاح می شود.مهم ویژگی تصحیح مضاعف پیشنهادی این است که به طور خودکار ارائه می دهد استحکام به اشتباه در مورد شرایط لحظه.در مقابل ، برآوردگر واریانس متعارف و تصحیح Windmeijer متناقض هستند تحت اشتباه غلطیعنی فرمول تصحیح مضاعف پیشنهادی یک روش مناسب برای به دست آوردن استنباط بهبود یافته تحت صحیح فراهم می کند مشخصات و استحکام در برابر اشتباه در همان زمان.

This paper deals with the time-varying high dimensional covariance matrix estimation. We propose two covariance matrix estimators corresponding with a time-varying approximate factor model and a time-varying approximate characteristic-based factor model, respectively. The models allow the factor loadings, factor covariance matrix, and error covariance matrix to change smoothly over time. We study the rate of convergence of each estimator. Our simulation and empirical study indicate that time-varying covariance matrix estimators generally perform better than time-invariant covariance matrix estimators. Also, if characteristics are available that genuinely explain true loadings, the characteristics can be used to estimate loadings more precisely in finite samples; their helpfulness increases when loadings rapidly change.

این مقاله به ماتریس کواریانس ابعادی متغیر متغیر می پردازد برآورد کردن.ما دو برآوردگر ماتریس کواریانس را مطابق با a پیشنهاد می کنیم مدل تقریبی تقریبی متغیر و یک تقریبی متغیر زمان به ترتیب مدل فاکتور مبتنی بر مشخصه.مدل ها عامل را مجاز می دانند بارهای ، ماتریس کواریانس فاکتور و ماتریس کواریانس خطا برای تغییر با گذشت زمان هموارما میزان همگرایی هر برآوردگر را مطالعه می کنیم.ما شبیه سازی و مطالعه تجربی نشان می دهد که ماتریس کواریانس متغیر زمان برآوردگرها به طور کلی بهتر از ماتریس کواریانس متغیر عمل می کنند برآوردگرهاهمچنین ، اگر ویژگی هایی در دسترس است که واقعاً درست توضیح می دهد بارگذاری ، از ویژگی ها می توان برای تخمین دقیق تر بارهای استفاده کرد در نمونه های محدود ؛با تغییر سریع بار ، کمک آنها افزایش می یابد.

This paper considers the practically important case of nonparametrically estimating heterogeneous average treatment effects that vary with a limited number of discrete and continuous covariates in a selection-on-observables framework where the number of possible confounders is very large. We propose a two-step estimator for which the first step is estimated by machine learning. We show that this estimator has desirable statistical properties like consistency, asymptotic normality and rate double robustness. In particular, we derive the coupled convergence conditions between the nonparametric and the machine learning steps. We also show that estimating population average treatment effects by averaging the estimated heterogeneous effects is semi-parametrically efficient. The new estimator is an empirical example of the effects of mothers' smoking during pregnancy on the resulting birth weight.

در این مقاله مورد مهم غیرقانونی در نظر گرفته شده است تخمین اثرات متوسط درمانی ناهمگن که با محدودیت متفاوت است تعداد متغیرهای متغیر گسسته و مداوم در یک برآمدگی چارچوبی که در آن تعداد مخدوشان احتمالی بسیار زیاد است.ما پیشنهاد می کنیم برآوردگر دو مرحله ای که مرحله اول با یادگیری ماشین تخمین زده می شود. ما نشان می دهیم که این برآوردگر دارای خواص آماری مطلوب مانند است قوام ، نرمال بودن بدون علامت و استحکام مضاعف.به طور خاص ، ما شرایط همگرایی همراه بین غیر پارامتری و مراحل یادگیری ماشین.ما همچنین نشان می دهیم که تخمین میانگین جمعیت اثرات درمانی با میانگین اثرات ناهمگن تخمین زده شده است نیمه پارامتری کارآمد است.برآوردگر جدید نمونه ای تجربی از تأثیر سیگار کشیدن مادران در دوران بارداری بر وزن هنگام تولد.

The literature on stochastic programming typically restricts attention to problems that fulfill constraint qualifications. The literature on estimation and inference under partial identification frequently restricts the geometry of identified sets with diverse high-level assumptions. These superficially appear to be different approaches to closely related problems. We extensively analyze their relation. Among other things, we show that for partial identification through pure moment inequalities, numerous assumptions from the literature essentially coincide with the Mangasarian-Fromowitz constraint qualification. This clarifies the relation between well-known contributions, including within econometrics, and elucidates stringency, as well as ease of verification, of some high-level assumptions in seminal papers.

ادبیات مربوط به برنامه نویسی تصادفی به طور معمول توجه را محدود می کند مشکلاتی که صلاحیت های محدودیت را برآورده می کنند.ادبیات تخمین و استنباط تحت شناسایی جزئی غالباً هندسه را محدود می کند مجموعه های شناسایی شده با فرضیات سطح بالا.این سطحی ظاهر می شود برای اینکه رویکردهای مختلفی برای مشکلات نزدیک باشد.ما به طور گسترده تجزیه و تحلیل می کنیم رابطه آنهادر میان چیزهای دیگر ، ما این را برای شناسایی جزئی نشان می دهیم از طریق نابرابری های لحظه ای خالص ، فرضیات بیشماری از ادبیات اساساً با صلاحیت محدودیت Mangasarian-Fromowitz همزمان می شود. این رابطه بین مشارکتهای مشهور ، از جمله درون را روشن می کند اقتصاد سنجی ، و دقیق بودن و همچنین سهولت تأیید ، از برخی از فرضیات سطح بالا در مقالات منی.

We develop a new extreme value theory for repeated cross-sectional and panel data to construct asymptotically valid confidence intervals (CIs) for conditional extremal quantiles from a fixed number $k$ of nearest-neighbor tail observations. As a by-product, we also construct CIs for extremal quantiles of coefficients in linear random coefficient models. For any fixed $k$, the CIs are uniformly valid without parametric assumptions over a set of nonparametric data generating processes associated with various tail indices. Simulation studies show that our CIs exhibit superior small-sample coverage and length properties than alternative nonparametric methods based on asymptotic normality. Applying the proposed method to Natality Vital Statistics, we study factors of extremely low birth weights. We find that signs of major effects are the same as those found in preceding studies based on parametric models, but with different magnitudes.

ما یک تئوری ارزش شدید جدید برای مقطعی و پانل مکرر ایجاد می کنیم داده ها برای ساختن فواصل اطمینان بدون علامت معتبر (CIS) برای مقادیر افراطی مشروط از شماره ثابت $ k $ از دم نزدیک همسایه مشاهداتبه عنوان یک محصول جانبی ، ما همچنین CIS را برای مقادیر افراطی از آن می سازیم ضرایب در مدلهای ضریب تصادفی خطی.برای هر $ $ k $ ، CIS به طور یکنواخت بدون فرضیات پارامتری بیش از مجموعه ای از غیرپارامتری معتبر هستند فرآیندهای تولید داده های مرتبط با شاخص های مختلف دم.شبیه سازی مطالعات نشان می دهد که CIS ما پوشش و طول نمونه کوچک برتر را نشان می دهد خواص نسبت به روشهای غیر پارامتری جایگزین بر اساس بدون علامت عادی بودنما با استفاده از روش پیشنهادی در آمار حیاتی طبیعت ، ما مطالعه می کنیم عوامل وزن بسیار کم هنگام تولد.ما می دانیم که علائم اثرات عمده است همان موارد موجود در مطالعات قبلی بر اساس مدلهای پارامتری ، اما با بزرگی های مختلف

We study the incidental parameter problem for the ``three-way'' Poisson {Pseudo-Maximum Likelihood} (``PPML'') estimator recently recommended for identifying the effects of trade policies and in other panel data gravity settings. Despite the number and variety of fixed effects involved, we confirm PPML is consistent for fixed $T$ and we show it is in fact the only estimator among a wide range of PML gravity estimators that is generally consistent in this context when $T$ is fixed. At the same time, asymptotic confidence intervals in fixed-$T$ panels are not correctly centered at the true point estimates, and cluster-robust variance estimates used to construct standard errors are generally biased as well. We characterize each of these biases analytically and show both numerically and empirically that they are salient even for real-data settings with a large number of countries. We also offer practical remedies that can be used to obtain more reliable inferences of the effects of trade policies and other time-varying gravity variables, which we make available via an accompanying Stata package called ppml_fe_bias.

ما مشکل پارامتر حادثه ای را برای پواسون "سه طرفه" مطالعه می کنیم {احتمال شبه حداکثر} (`` ppml '') برآوردگر اخیراً توصیه شده است شناسایی اثرات سیاست های تجاری و سایر گرانش داده های پانل تنظیمات.با وجود تعداد و تنوع اثرات ثابت در آن ، ما تأیید می کنیم PPML برای $ t $ ثابت سازگار است و ما نشان می دهیم که در واقع تنها برآوردگر است در میان طیف گسترده ای از برآوردگرهای گرانش PML که به طور کلی در آن سازگار است این زمینه وقتی $ t $ ثابت است.در عین حال ، اعتماد به نفس بدون علامت فواصل در پانل های ثابت $ t به درستی در نقطه واقعی متمرکز نشده اند تخمین ها ، و تخمین های واریانس خوشه ای- روتون که برای ساخت استاندارد استفاده می شود خطاها به طور کلی مغرضانه هستند.ما هر یک از این تعصبات را توصیف می کنیم از نظر تحلیلی و از نظر عددی و تجربی نشان دهید که برجسته هستند حتی برای تنظیمات داده های واقعی با تعداد زیادی از کشورها.ما نیز ارائه می دهیم داروهای عملی که می تواند برای به دست آوردن استنتاج های قابل اطمینان تر از آن استفاده شود تأثیر سیاست های تجارت و سایر متغیرهای گرانش متغیر زمان ، که ما از طریق یک بسته Stata همراه به نام PPML_FE_BIAS در دسترس قرار دهید.

We analyze the challenges for inference in difference-in-differences (DID) when there is spatial correlation. We present novel theoretical insights and empirical evidence on the settings in which ignoring spatial correlation should lead to more or less distortions in DID applications. We show that details such as the time frame used in the estimation, the choice of the treated and control groups, and the choice of the estimator, are key determinants of distortions due to spatial correlation. We also analyze the feasibility and trade-offs involved in a series of alternatives to take spatial correlation into account. Given that, we provide relevant recommendations for applied researchers on how to mitigate and assess the possibility of inference distortions due to spatial correlation.

ما چالش های استنباط در تفاوت در تفاوت (DID) را تجزیه و تحلیل می کنیم هنگامی که همبستگی مکانی وجود دارد.ما بینش های نظری رمان و شواهد تجربی در مورد تنظیماتی که در آن نادیده گرفتن همبستگی مکانی باید منجر به تحریف کم و بیش در برنامه های DID می شود.ما جزئیات آن را نشان می دهیم به عنوان بازه زمانی مورد استفاده در تخمین ، انتخاب درمان و کنترل گروه ها ، و انتخاب برآوردگر ، عوامل اصلی تحریف هستند به دلیل همبستگی مکانی.ما همچنین امکان سنجی و تجارت را تجزیه و تحلیل می کنیم درگیر در یک سری گزینه های دیگر برای در نظر گرفتن همبستگی مکانی است. با توجه به این ، ما توصیه های مربوطه را برای محققان کاربردی در مورد نحوه ارائه ارائه می دهیم برای کاهش و ارزیابی احتمال تحریف استنباط به دلیل مکانی همبستگی.

This paper explores the estimation of a panel data model with cross-sectional interaction that is flexible both in its approach to specifying the network of connections between cross-sectional units, and in controlling for unobserved heterogeneity. It is assumed that there are different sources of information available on a network, which can be represented in the form of multiple weights matrices. These matrices may reflect observed links, different measures of connectivity, groupings or other network structures, and the number of matrices may be increasing with sample size. A penalised quasi-maximum likelihood estimator is proposed which aims to alleviate the risk of network misspecification by shrinking the coefficients of irrelevant weights matrices to exactly zero. Moreover, controlling for unobserved factors in estimation provides a safeguard against the misspecification that might arise from unobserved heterogeneity. The asymptotic properties of the estimator are derived in a framework where the true value of each parameter remains fixed as the total number of parameters increases. A Monte Carlo simulation is used to assess finite sample performance, and in an empirical application the method is applied to study the prevalence of network spillovers in determining growth rates across countries.

در این مقاله برآورد یک مدل داده پانل با مقطعی بررسی شده است تعامل که هم در رویکرد خود برای مشخص کردن شبکه انعطاف پذیر است اتصالات بین واحدهای مقطعی و در کنترل بدون نظارت ناهمگونیفرض بر این است که منابع مختلف اطلاعات وجود دارد در یک شبکه موجود است ، که می تواند به صورت چندگانه نمایش داده شود ماتریس وزن.این ماتریس ها ممکن است پیوندهای مشاهده شده ، اقدامات مختلف را منعکس کنند اتصال ، گروه بندی ها یا سایر ساختارهای شبکه و تعداد آنها ماتریس ممکن است با اندازه نمونه در حال افزایش باشد.یک شبه حداکثر مجازات برآوردگر احتمال پیشنهاد شده است که هدف آن کاهش خطر خطر شبکه است با کوچک کردن ضرایب ماتریس های وزن نامربوط دقیقاً صفرعلاوه بر این ، کنترل عوامل غیرقابل کنترل در تخمین محافظت در برابر شناسایی غلط که ممکن است از آن ایجاد شود فراهم می کند ناهمگونی بدون نظارت.خصوصیات بدون علامت برآوردگر است در چارچوبی مشتق شده است که در آن مقدار واقعی هر پارامتر به صورت ثابت باقی می ماند تعداد کل پارامترها افزایش می یابد.از شبیه سازی مونت کارلو استفاده می شود عملکرد نمونه محدود را ارزیابی کنید ، و در یک کاربرد تجربی روش است برای بررسی شیوع سرریزهای شبکه در تعیین رشد استفاده شده است نرخ در سراسر کشورها

We consider the problem of inference in Difference-in-Differences (DID) when there are few treated units and errors are spatially correlated. We first show that, when there is a single treated unit, some existing inference methods designed for settings with few treated and many control units remain asymptotically valid when errors are weakly dependent. However, these methods may be invalid with more than one treated unit. We propose alternatives that are asymptotically valid in this setting, even when the relevant distance metric across units is unavailable.

ما مشکل استنباط را در تفاوت در تفاوت (DID) در نظر می گیریم تعداد کمی از واحدهای تحت درمان وجود دارد و خطاها از نظر مکانی همبستگی دارند.ما ابتدا نشان می دهیم که ، هنگامی که یک واحد تحت درمان وجود دارد ، برخی از روش های استنباط موجود طراحی شده برای تنظیمات با تعداد کمی از واحدهای تحت درمان و بسیاری باقی مانده است بدون علامت معتبر وقتی خطاها به ضعف وابسته هستند.با این حال ، این روش ها ممکن است با بیش از یک واحد تحت درمان نامعتبر باشد.ما گزینه های دیگری را پیشنهاد می کنیم که در این تنظیمات بدون علامت معتبر هستند ، حتی اگر فاصله مربوطه متریک در سراسر واحدها در دسترس نیست.

The Economy Watcher Survey, which is a market survey published by the Japanese government, contains \emph{assessments of current and future economic conditions} by people from various fields. Although this survey provides insights regarding economic policy for policymakers, a clear definition of the word "future" in future economic conditions is not provided. Hence, the assessments respondents provide in the survey are simply based on their interpretations of the meaning of "future." This motivated us to reveal the different interpretations of the future in their judgments of future economic conditions by applying weakly supervised learning and text mining. In our research, we separate the assessments of future economic conditions into economic conditions of the near and distant future using learning from positive and unlabeled data (PU learning). Because the dataset includes data from several periods, we devised new architecture to enable neural networks to conduct PU learning based on the idea of multi-task learning to efficiently learn a classifier. Our empirical analysis confirmed that the proposed method could separate the future economic conditions, and we interpreted the classification results to obtain intuitions for policymaking.

نظرسنجی Watcher Economy ، که یک بررسی بازار است که توسط دولت ژاپن ، شامل \ itm {ارزیابی اقتصادی فعلی و آینده است شرایط} توسط افراد از زمینه های مختلف.اگرچه این نظرسنجی ارائه می دهد بینش در مورد سیاست اقتصادی برای سیاست گذاران ، تعریف روشنی از کلمه "آینده" در شرایط اقتصادی آینده ارائه نشده است.از این رو ارزیابی ها پاسخ دهندگان در این نظرسنجی به سادگی بر اساس آنها انجام می شود تفسیرهای معنای "آینده".این ما را به آشکار کردن انگیزه داد تفسیرهای مختلف از آینده در داوری های خود در مورد اقتصادی آینده شرایط با استفاده از یادگیری ضعیف تحت نظارت و استخراج متن.در ما تحقیق ، ما ارزیابی شرایط اقتصادی آینده را در آن جدا می کنیم شرایط اقتصادی آینده نزدیک و دور با استفاده از یادگیری از مثبت و داده های بدون برچسب (یادگیری PU).زیرا مجموعه داده شامل داده هایی از چندین دوره ، ما معماری جدیدی را برای فعال کردن شبکه های عصبی ابداع کردیم انجام یادگیری PU را بر اساس ایده یادگیری چند وظیفه ای برای کارآمد انجام دهید طبقه بندی کننده را بیاموزید.تجزیه و تحلیل تجربی ما تأیید کرد که روش پیشنهادی می تواند شرایط اقتصادی آینده را از هم جدا کند ، و ما تفسیر کردیم نتایج طبقه بندی برای به دست آوردن شهود برای سیاست گذاری.

This paper investigates double/debiased machine learning (DML) under multiway clustered sampling environments. We propose a novel multiway cross fitting algorithm and a multiway DML estimator based on this algorithm. We also develop a multiway cluster robust standard error formula. Simulations indicate that the proposed procedure has favorable finite sample performance. Applying the proposed method to market share data for demand analysis, we obtain larger two-way cluster robust standard errors than non-robust ones.

در این مقاله به بررسی یادگیری ماشین مضاعف/debiased (DML) تحت Multiway می پردازیم محیط های نمونه گیری خوشه ای.ما یک متناسب با صلیب چند جانبه را پیشنهاد می کنیم الگوریتم و یک برآوردگر DML چند جانبه بر اساس این الگوریتم.ما نیز توسعه می دهیم فرمول خطای استاندارد خوشه ای چند جانبه.شبیه سازی ها نشان می دهد که روش پیشنهادی دارای عملکرد نمونه محدود مطلوب است.استفاده از روش پیشنهادی برای داده های سهم بازار برای تجزیه و تحلیل تقاضا ، ما بزرگتر می شویم خطاهای استاندارد خوشه ای دو طرفه نسبت به موارد غیر راوبست.

A desire to understand the decision of the UK to leave the European Union, Brexit, in the referendum of June 2016 has continued to occupy academics, the media and politicians. Using topological data analysis ball mapper we extract information from multi-dimensional datasets gathered on Brexit voting and regional socio-economic characteristics. While we find broad patterns consistent with extant empirical work, we also evidence that support for Leave drew from a far more homogenous demographic than Remain. Obtaining votes from this concise set was more straightforward for Leave campaigners than was Remain's task of mobilising a diverse group to oppose Brexit.

تمایل به درک تصمیم انگلیس برای ترک اتحادیه اروپا ، Brexit ، در همه پرسی ژوئن 2016 همچنان دانشگاهیان را اشغال کرده است ، رسانه ها و سیاستمداران.با استفاده از نقشه برداری توپ تجزیه و تحلیل داده های توپولوژیکی ما استخراج می کنیم اطلاعات مربوط به مجموعه داده های چند بعدی جمع آوری شده در رای گیری Brexit و خصوصیات اقتصادی و اجتماعی منطقه ای.در حالی که ما الگوهای گسترده ای پیدا می کنیم مطابق با کار تجربی موجود ، ما همچنین شواهدی را نشان می دهیم که از مرخصی پشتیبانی می کند از جمعیتی بسیار همگن تر از باقی مانده ترسیم شد.به دست آوردن رای از این مجموعه مختصر برای کمپین های مرخصی ساده تر از آن بود وظیفه بسیج یک گروه متنوع برای مخالفت با Brexit است.

We recast the synthetic controls for evaluating policies as a counterfactual prediction problem and replace its linear regression with a nonparametric model inspired by machine learning. The proposed method enables us to achieve accurate counterfactual predictions and we provide theoretical guarantees. We apply our method to a highly debated policy: the relocation of the US embassy to Jerusalem. In Israel and Palestine, we find that the average number of weekly conflicts has increased by roughly 103\% over 48 weeks since the relocation was announced on December 6, 2017. By using conformal inference and placebo tests, we justify our model and find the increase to be statistically significant.

ما کنترل های مصنوعی را برای ارزیابی سیاستها به عنوان یک ضد خلاف مجدداً اصلاح می کنیم مشکل پیش بینی و رگرسیون خطی آن را با یک مدل غیر پارامتری جایگزین کنید با الهام از یادگیری ماشین.روش پیشنهادی ما را قادر می سازد تا به آن دست یابیم پیش بینی های ضد خلاف دقیق و ما ضمانت های نظری را ارائه می دهیم.ما روش ما را در یک سیاست بسیار بحث شده اعمال کنید: جابجایی سفارت ایالات متحده به اورشلیم.در اسرائیل و فلسطین می فهمیم که میانگین تعداد آنها درگیری های هفتگی در طی 48 هفته تقریباً 103 \ ٪ افزایش یافته است جابجایی در 6 دسامبر 2017 اعلام شد. با استفاده از استنتاج کنفورماسی و تست های دارونما ، ما مدل خود را توجیه می کنیم و این افزایش را از نظر آماری می یابیم قابل توجه.

We analyze the properties of matching estimators when there are few treated, but many control observations. We show that, under standard assumptions, the nearest neighbor matching estimator for the average treatment effect on the treated is asymptotically unbiased in this framework. However, when the number of treated observations is fixed, the estimator is not consistent, and it is generally not asymptotically normal. Since standard inference methods are inadequate, we propose alternative inference methods, based on the theory of randomization tests under approximate symmetry, that are asymptotically valid in this framework. We show that these tests are valid under relatively strong assumptions when the number of treated observations is fixed, and under weaker assumptions when the number of treated observations increases, but at a lower rate relative to the number of control observations.

ما خواص برآوردگرهای تطبیق را وقتی تعداد کمی از آنها تحت درمان قرار می گیرد ، تجزیه و تحلیل می کنیم. اما بسیاری از مشاهدات کنترل می کنند.ما نشان می دهیم که ، تحت فرضیات استاندارد ، نزدیکترین برآوردگر تطبیق همسایه برای میانگین اثر درمانی بر روی درمان شده در این چارچوب بی نظیر است.با این حال ، وقتی تعداد از مشاهدات تحت درمان ثابت است ، برآوردگر سازگار نیست و است به طور کلی بدون علامت طبیعی نیست.از آنجا که روش های استنتاج استاندارد هستند ناکافی ، ما روشهای استنتاج جایگزین را بر اساس تئوری ارائه می دهیم تست های تصادفی سازی تحت تقارن تقریبی ، که به صورت مجانبی معتبر هستند در این چارچوبما نشان می دهیم که این تست ها تحت نسبتاً قوی معتبر هستند فرضیات هنگامی که تعداد مشاهدات تحت درمان ثابت و تحت ضعیف تر است فرضیات وقتی تعداد مشاهدات تحت درمان افزایش می یابد ، اما در پایین تر نرخ نسبت به تعداد مشاهدات کنترل.

The paper proposes a quantile-regression inference framework for first-price auctions with symmetric risk-neutral bidders under the independent private-value paradigm. It is first shown that a private-value quantile regression generates a quantile regression for the bids. The private-value quantile regression can be easily estimated from the bid quantile regression and its derivative with respect to the quantile level. This also allows to test for various specification or exogeneity null hypothesis using the observed bids in a simple way. A new local polynomial technique is proposed to estimate the latter over the whole quantile level interval. Plug-in estimation of functionals is also considered, as needed for the expected revenue or the case of CRRA risk-averse bidders, which is amenable to our framework. A quantile-regression analysis to USFS timber is found more appropriate than the homogenized-bid methodology and illustrates the contribution of each explanatory variables to the private-value distribution. Linear interactive sieve extensions are proposed and studied in the Appendices.

این مقاله یک چارچوب استنباط رگرسیون کمی برای قیمت اول ارائه می دهد حراج هایی با داوطلبان بی طرف ریسک متقارن تحت مستقل الگوی ارزش خصوصی.ابتدا نشان داده می شود که یک مقدار با ارزش خصوصی رگرسیون رگرسیون کمی برای پیشنهادات ایجاد می کند.ارزش خصوصی رگرسیون کمی را می توان به راحتی از رگرسیون کمی پیشنهاد تخمین زد و مشتق آن با توجه به سطح کمی.این همچنین امکان آزمایش را فراهم می کند برای مشخصات مختلف یا فرضیه تهی اگزوژن با استفاده از پیشنهادات مشاهده شده به روشی سادهیک روش چند جملهای محلی جدید برای تخمین دوم در کل فاصله سطح کمی.تخمین وصل از عملکردهای مربوط به درآمد مورد انتظار یا پرونده نیز در نظر گرفته می شود از داوطلبان ریسک پذیر CRRA ، که برای چارچوب ما قابل قبول است.آ تجزیه و تحلیل رگرسیون کمی به چوب USFS مناسب تر از آن است روش همگن بید و سهم هر یک را نشان می دهد متغیرهای توضیحی برای توزیع ارزش خصوصی.تعاملی خطی پسوندهای غربال در ضمائم پیشنهاد و مورد مطالعه قرار می گیرند.

This paper develops a consistent series-based specification test for semiparametric panel data models with fixed effects. The test statistic resembles the Lagrange Multiplier (LM) test statistic in parametric models and is based on a quadratic form in the restricted model residuals. The use of series methods facilitates both estimation of the null model and computation of the test statistic. The asymptotic distribution of the test statistic is standard normal, so that appropriate critical values can easily be computed. The projection property of series estimators allows me to develop a degrees of freedom correction. This correction makes it possible to account for the estimation variance and obtain refined asymptotic results. It also substantially improves the finite sample performance of the test.

این مقاله یک تست مشخصات مبتنی بر سری را برای مدل های داده پانل نیمه قطبی با جلوه های ثابت.آمار آزمون شبیه آمار تست Lagrange Multiplier (LM) در مدلهای پارامتری و بر اساس یک فرم درجه دوم در باقیمانده های مدل محدود است.استفاده از روشهای سری هم تخمین مدل تهی و هم محاسبه را تسهیل می کند آمار آزمون.توزیع بدون علامت آمار آزمون است استاندارد عادی ، به طوری که مقادیر بحرانی مناسب به راحتی قابل محاسبه هستند. خاصیت پیش بینی برآوردگرهای سریال به من اجازه می دهد تا درجه ای از اصلاح آزادی.این اصلاح امکان پذیر است واریانس تخمین و به دست آوردن نتایج بدون علامت تصفیه شده.همچنین به طور قابل توجهی عملکرد نمونه محدود آزمون را بهبود می بخشد.

One simple, and often very effective, way to attenuate the impact of nuisance parameters on maximum likelihood estimation of a parameter of interest is to recenter the profile score for that parameter. We apply this general principle to the quasi-maximum likelihood estimator (QMLE) of the autoregressive parameter $\lambda$ in a spatial autoregression. The resulting estimator for $\lambda$ has better finite sample properties compared to the QMLE for $\lambda$, especially in the presence of a large number of covariates. It can also solve the incidental parameter problem that arises, for example, in social interaction models with network fixed effects, or in spatial panel models with individual or time fixed effects. However, spatial autoregressions present specific challenges for this type of adjustment, because recentering the profile score may cause the adjusted estimate to be outside the usual parameter space for $\lambda$. Conditions for this to happen are given, and implications are discussed. For inference, we propose confidence intervals based on a Lugannani--Rice approximation to the distribution of the adjusted QMLE of $\lambda$. Based on our simulations, the coverage properties of these intervals are excellent even in models with a large number of covariates.

یک روش ساده و اغلب بسیار مؤثر برای کاهش تأثیر مزاحمت پارامترهای برآورد حداکثر احتمال یک پارامتر مورد علاقه این است اخیر نمره پروفایل برای آن پارامتر.ما این اصل کلی را اعمال می کنیم به برآوردگر شبه حداکثر (QMLE) از خودروگرایی پارامتر $ \ lambda $ در یک اتورجات فضایی.برآوردگر حاصل برای $ \ lambda $ در مقایسه با QMLE دارای خواص نمونه محدود بهتر است $ \ lambda $ ، به ویژه در حضور تعداد زیادی از متغیرهای متغیر.می تواند همچنین مشکل پارامتر حادثه ای را که به عنوان مثال در اجتماعی بوجود می آید ، حل کنید مدل های تعامل با جلوه های ثابت شبکه یا در مدل های پانل فضایی با اثرات ثابت فردی یا زمان.با این حال ، اتورژهای فضایی موجود است چالش های خاص برای این نوع تعدیل ، زیرا اخیر نمره پروفایل ممکن است باعث شود تخمین تنظیم شده خارج از پارامتر معمول باشد فضای برای $ \ lambda $.شرایط برای این اتفاق می افتد ، و پیامدهای آن بحث شده استبرای استنباط ، ما فواصل اطمینان را بر اساس a پیشنهاد می کنیم Lugannani- تقریب برنج به توزیع QMLE تنظیم شده از $ \ lambda $.بر اساس شبیه سازی های ما ، خصوصیات پوشش این فواصل حتی در مدل هایی با تعداد زیادی متغیرهای متغیر عالی هستند.

This paper investigates and extends the computationally attractive nonparametric random coefficients estimator of Fox, Kim, Ryan, and Bajari (2011). We show that their estimator is a special case of the nonnegative LASSO, explaining its sparse nature observed in many applications. Recognizing this link, we extend the estimator, transforming it to a special case of the nonnegative elastic net. The extension improves the estimator's recovery of the true support and allows for more accurate estimates of the random coefficients' distribution. Our estimator is a generalization of the original estimator and therefore, is guaranteed to have a model fit at least as good as the original one. A theoretical analysis of both estimators' properties shows that, under conditions, our generalized estimator approximates the true distribution more accurately. Two Monte Carlo experiments and an application to a travel mode data set illustrate the improved performance of the generalized estimator.

در این مقاله از نظر محاسباتی جذاب و گسترش یافته است برآوردگر ضرایب تصادفی غیر پارامتری از فاکس ، کیم ، رایان و باجاری (2011).ما نشان می دهیم که برآوردگر آنها یک مورد خاص از غیر منفی است لاسو ، با توضیح ماهیت پراکنده آن که در بسیاری از برنامه ها مشاهده شده است.تشخیص دهنده این لینک ، ما برآوردگر را گسترش می دهیم و آن را به یک مورد خاص از شبکه الاستیک غیر منفی.پسوند بهبود برآوردگر از پشتیبانی واقعی و تخمین دقیق تر از ضرایب تصادفی را فراهم می کند ' توزیعبرآوردگر ما تعمیم برآوردگر اصلی است و بنابراین ، تضمین می شود که یک مدل حداقل به اندازه اصلی مناسب باشد یکتجزیه و تحلیل نظری از خصوصیات هر دو برآوردگر نشان می دهد که در زیر شرایط ، برآوردگر عمومی ما توزیع واقعی را بیشتر تقریب می دهد به درستی.دو آزمایش مونت کارلو و یک برنامه در حالت سفر مجموعه داده ها عملکرد بهبود یافته برآوردگر عمومی را نشان می دهد.

In this paper, a statistical model for panel data with unobservable grouped factor structures which are correlated with the regressors and the group membership can be unknown. The factor loadings are assumed to be in different subspaces and the subspace clustering for factor loadings are considered. A method called least squares subspace clustering estimate (LSSC) is proposed to estimate the model parameters by minimizing the least-square criterion and to perform the subspace clustering simultaneously. The consistency of the proposed subspace clustering is proved and the asymptotic properties of the estimation procedure are studied under certain conditions. A Monte Carlo simulation study is used to illustrate the advantages of the proposed method. Further considerations for the situations that the number of subspaces for factors, the dimension of factors and the dimension of subspaces are unknown are also discussed. For illustrative purposes, the proposed method is applied to study the linkage between income and democracy across countries while subspace patterns of unobserved factors and factor loadings are allowed.

در این مقاله ، یک مدل آماری برای داده های پانل با گروه بندی غیرقابل کنترل ساختارهای عاملی که با رگرسیون و گروه در ارتباط هستند عضویت می تواند ناشناخته باشد.فرض بر این است که بارگذاری عاملی متفاوت است فضاها و خوشه بندی زیر فضای برای بارهای عاملی در نظر گرفته شده است.آ روش به نام حداقل مربعات تخمین خوشه بندی زیر فضای (LSSC) به آن پیشنهاد شده است پارامترهای مدل را با به حداقل رساندن معیار کمترین مربع و به خوشه بندی زیر فضای را همزمان انجام دهید.قوام پیشنهادی خوشه بندی زیر فضایی ثابت شده و خصوصیات بدون علامت تخمین روش تحت شرایط خاص مورد مطالعه قرار می گیرد.یک مطالعه شبیه سازی مونت کارلو برای نشان دادن مزایای روش پیشنهادی استفاده می شود.به علاوه ملاحظات مربوط به موقعیت هایی که تعداد زیر مجموعه ها برای عوامل ، بعد عوامل و ابعاد زیر مجموعه ها نیز ناشناخته هستند بحث شدهبرای اهداف مصور ، از روش پیشنهادی برای مطالعه استفاده می شود ارتباط بین درآمد و دموکراسی در سراسر کشورها در حالی که فضای فرعی است الگوهای فاکتورهای محافظت نشده و بارهای عاملی مجاز است.

We show that moment inequalities in a wide variety of economic applications have a particular linear conditional structure. We use this structure to construct uniformly valid confidence sets that remain computationally tractable even in settings with nuisance parameters. We first introduce least favorable critical values which deliver non-conservative tests if all moments are binding. Next, we introduce a novel conditional inference approach which ensures a strong form of insensitivity to slack moments. Our recommended approach is a hybrid technique which combines desirable aspects of the least favorable and conditional methods. The hybrid approach performs well in simulations calibrated to Wollmann (2018), with favorable power and computational time comparisons relative to existing alternatives.

ما آن لحظه نابرابری ها را در طیف گسترده ای از برنامه های اقتصادی نشان می دهیم یک ساختار مشروط خطی خاص داشته باشید.ما از این ساختار استفاده می کنیم مجموعه های اعتماد به نفس یکنواخت معتبر را ایجاد کنید که از نظر محاسباتی قابل ردیابی هستند حتی در تنظیمات با پارامترهای مزاحم.ما ابتدا حداقل مطلوب را معرفی می کنیم مقادیر بحرانی که اگر همه لحظه ها تست های غیر محافظه کارانه را ارائه می دهند الزام آور.بعد ، ما یک رویکرد استنباط شرطی جدید را معرفی می کنیم که یک شکل قوی از عدم حساسیت نسبت به لحظات شل و ول را تضمین می کند.توصیه شده ما رویکرد یک تکنیک ترکیبی است که از کمترین جنبه های مطلوب ترکیب می کند روشهای مطلوب و مشروط.رویکرد ترکیبی عملکرد خوبی دارد شبیه سازی های کالیبره شده به وولمن (2018) ، با قدرت مطلوب و مقایسه زمان محاسباتی نسبت به گزینه های موجود.

There are many environments in econometrics which require nonseparable modeling of a structural disturbance. In a nonseparable model with endogenous regressors, key conditions are validity of instrumental variables and monotonicity of the model in a scalar unobservable variable. Under these conditions the nonseparable model is equivalent to an instrumental quantile regression model. A failure of the key conditions, however, makes instrumental quantile regression potentially inconsistent. This paper develops a methodology for testing the hypothesis whether the instrumental quantile regression model is correctly specified. Our test statistic is asymptotically normally distributed under correct specification and consistent against any alternative model. In addition, test statistics to justify the model simplification are established. Finite sample properties are examined in a Monte Carlo study and an empirical illustration is provided.

محیط های زیادی در اقتصاد سنجی وجود دارد که به غیر قابل تفکیک نیاز دارند مدل سازی یک اختلال ساختاری.در یک مدل غیر قابل تفکیک با درون زا رگرسیون ، شرایط کلیدی اعتبار متغیرهای ابزاری و یکنواختی مدل در یک متغیر غیرقابل کنترل مقیاس.تحت اینها شرایط مدل غیر قابل تفکیک معادل یک کمیت ابزاری است مدل رگرسیون.با این حال ، عدم موفقیت شرایط کلیدی باعث ایجاد ابزاری می شود رگرسیون کمی که به طور بالقوه متناقض است.این مقاله یک متدولوژی را تهیه می کند برای آزمایش این فرضیه آیا مدل رگرسیون کمی ابزاری به درستی مشخص شده استآمار آزمون ما به صورت غیر عادی به طور عادی است تحت مشخصات صحیح توزیع شده و در برابر هر گزینه دیگری سازگار است مدل.علاوه بر این ، آمار آزمون برای توجیه ساده سازی مدل است ایجاد.خواص نمونه محدود در یک مطالعه مونت کارلو و یک تصویر تجربی ارائه شده است.

This paper proposes several tests of restricted specification in nonparametric instrumental regression. Based on series estimators, test statistics are established that allow for tests of the general model against a parametric or nonparametric specification as well as a test of exogeneity of the vector of regressors. The tests' asymptotic distributions under correct specification are derived and their consistency against any alternative model is shown. Under a sequence of local alternative hypotheses, the asymptotic distributions of the tests is derived. Moreover, uniform consistency is established over a class of alternatives whose distance to the null hypothesis shrinks appropriately as the sample size increases. A Monte Carlo study examines finite sample performance of the test statistics.

در این مقاله چندین آزمایش از مشخصات محدود در ارائه شده است رگرسیون ابزاری غیرپارامتری.بر اساس برآوردگرهای سری ، آزمون آماری ایجاد شده است که امکان آزمایش مدل کلی در برابر a را فراهم می کند مشخصات پارامتری یا غیر پارامتری و همچنین آزمایش اگزوژن از بردار رگرسیون.توزیع بدون علامت آزمایشات به صورت صحیح مشخصات به دست آمده و قوام آنها در برابر هر مدل جایگزین نشان داده شده است.تحت یک دنباله از فرضیه های جایگزین محلی ، بدون علامت توزیع آزمایشات حاصل می شود.علاوه بر این ، سازگاری یکنواخت است بیش از یک کلاس از گزینه های جایگزین که فاصله آن با فرضیه تهی است با افزایش اندازه نمونه ، به طور مناسب کوچک می شود.یک مطالعه مونت کارلو عملکرد نمونه محدود آمار آزمون را بررسی می کند.

Nonparametric series regression often involves specification search over the tuning parameter, i.e., evaluating estimates and confidence intervals with a different number of series terms. This paper develops pointwise and uniform inferences for conditional mean functions in nonparametric series estimations that are uniform in the number of series terms. As a result, this paper constructs confidence intervals and confidence bands with possibly data-dependent series terms that have valid asymptotic coverage probabilities. This paper also considers a partially linear model setup and develops inference methods for the parametric part uniform in the number of series terms. The finite sample performance of the proposed methods is investigated in various simulation setups as well as in an illustrative example, i.e., the nonparametric estimation of the wage elasticity of the expected labor supply from Blomquist and Newey (2002).

رگرسیون سری غیرپارامتری اغلب شامل جستجوی مشخصات در مورد پارامتر تنظیم ، یعنی ارزیابی تخمین ها و فواصل اطمینان با a تعداد مختلفی از اصطلاحات سری.این مقاله به صورت نقطه و یکنواخت توسعه می یابد استنتاج برای عملکردهای میانگین مشروط در برآورد سری غیر پارامتری که از نظر تعداد سری یکنواخت هستند.در نتیجه ، این مقاله فواصل اطمینان و باند اعتماد به نفس را با احتمالاً ایجاد می کند اصطلاحات سری وابسته به داده ها که دارای احتمال پوشش بدون علامت معتبر هستند. این مقاله همچنین یک مدل مدل تا حدی خطی را در نظر می گیرد و استنباط را توسعه می دهد روشهای لباس پارامتری در تعداد سری سری.در عملکرد نمونه محدود از روشهای پیشنهادی به صورت مختلف بررسی شده است تنظیمات شبیه سازی و همچنین در یک مثال مصور ، یعنی ، برآورد غیرپارامتری از کشش دستمزد تأمین نیروی کار مورد انتظار از Blomquist و Newey (2002).

In this study, we investigate estimation and inference on a low-dimensional causal parameter in the presence of high-dimensional controls in an instrumental variable quantile regression. Our proposed econometric procedure builds on the Neyman-type orthogonal moment conditions of a previous study Chernozhukov, Hansen and Wuthrich (2018) and is thus relatively insensitive to the estimation of the nuisance parameters. The Monte Carlo experiments show that the estimator copes well with high-dimensional controls. We also apply the procedure to empirically reinvestigate the quantile treatment effect of 401(k) participation on accumulated wealth.

در این مطالعه ، ما تخمین و استنباط در مورد یک بعدی کمتری را بررسی می کنیم پارامتر علی در حضور کنترل های با ابعاد بالا در یک رگرسیون متغیر متغیر ابزاری.روش اقتصاد سنجی پیشنهادی ما در شرایط لحظه متعامد Neyman از یک مطالعه قبلی ساخته شده است Chernozhukov ، Hansen و Wuthrich (2018) و از این رو نسبتاً بی حس هستند برآورد پارامترهای مزاحمت.آزمایش های مونت کارلو را نشان می دهد که برآوردگر به خوبی با کنترل های بعدی روبرو می شود.ما همچنین اعمال می کنیم روش برای تجدیدنظر تجربی اثر درمانی کمی از 401 (k) مشارکت در ثروت انباشته.

Price indexes in time and space is a most relevant topic in statistical analysis from both the methodological and the application side. In this paper a price index providing a novel and effective solution to price indexes over several periods and among several countries, that is in both a multi-period and a multilateral framework, is devised. The reference basket of the devised index is the union of the intersections of the baskets of all periods/countries in pairs. As such, it provides a broader coverage than usual indexes. Index closed-form expressions and updating formulas are provided and properties investigated. Last, applications with real and simulated data provide evidence of the performance of the index at stake.

شاخص های قیمت در زمان و مکان بسیار مهم در آماری است تجزیه و تحلیل از طرف روش شناختی و طرف کاربرد.در این مقاله الف شاخص قیمت ارائه یک راه حل جدید و مؤثر برای شاخص های قیمت چندین دوره و در بین چندین کشور ، که هم در چند دوره و هم در یک چارچوب چند جانبه ، ابداع شده است.سبد مرجع فهرست ابداع شده آیا اتحادیه تقاطع سبدهای تمام دوره ها/کشورها در است جفتبه همین ترتیب ، پوشش گسترده تری نسبت به شاخص های معمول فراهم می کند.فهرست مطالب عبارات بسته و فرمول های به روزرسانی ارائه شده و خواص ارائه می شود تحقیقآخر ، برنامه های دارای داده های واقعی و شبیه سازی شده شواهدی را ارائه می دهند از عملکرد شاخص در معرض خطر.

We study the informational content of factor structures in discrete triangular systems. Factor structures have been employed in a variety of settings in cross sectional and panel data models, and in this paper we formally quantify their identifying power in a bivariate system often employed in the treatment effects literature. Our main findings are that imposing a factor structure yields point identification of parameters of interest, such as the coefficient associated with the endogenous regressor in the outcome equation, under weaker assumptions than usually required in these models. In particular, we show that a "non-standard" exclusion restriction that requires an explanatory variable in the outcome equation to be excluded from the treatment equation is no longer necessary for identification, even in cases where all of the regressors from the outcome equation are discrete. We also establish identification of the coefficient of the endogenous regressor in models with more general factor structures, in situations where one has access to at least two continuous measurements of the common factor.

ما محتوای اطلاعاتی ساختارهای عاملی را در گسسته مطالعه می کنیم سیستم های مثلثی.ساختارهای عاملی در انواع مختلفی به کار رفته است تنظیمات در مدل های داده مقطعی و پانل ، و در این مقاله ما به طور رسمی قدرت شناسایی آنها را در یک سیستم دو متغیره که اغلب به کار می رود ، تعیین کنید در ادبیات اثرات درمانی.یافته های اصلی ما این است که تحمیل a ساختار فاکتور شناسایی نقطه پارامترهای مورد علاقه ، مانند ضریب مرتبط با رگرسور درون زا در نتیجه معادله ، تحت فرضیات ضعیف تر از آنچه معمولاً در این مدل ها مورد نیاز است.که در به ویژه ، ما نشان می دهیم که محدودیت محرومیت "غیر استاندارد" که نیاز دارد یک متغیر توضیحی در معادله نتیجه که از آن خارج می شود معادله درمانی حتی در موارد دیگر برای شناسایی ضروری نیست جایی که همه رگرسیونرهای معادله نتیجه گسسته هستند.ما همچنین شناسایی ضریب رگرسور درون زا در مدلهایی با ساختار فاکتور کلی تر ، در شرایطی که شخص به آن دسترسی داشته باشد حداقل دو اندازه گیری مداوم از عامل مشترک.

This paper analyzes identifiability properties of structural vector autoregressive moving average (SVARMA) models driven by independent and non-Gaussian shocks. It is well known, that SVARMA models driven by Gaussian errors are not identified without imposing further identifying restrictions on the parameters. Even in reduced form and assuming stability and invertibility, vector autoregressive moving average models are in general not identified without requiring certain parameter matrices to be non-singular. Independence and non-Gaussianity of the shocks is used to show that they are identified up to permutations and scalings. In this way, typically imposed identifying restrictions are made testable. Furthermore, we introduce a maximum-likelihood estimator of the non-Gaussian SVARMA model which is consistent and asymptotically normally distributed.

در این مقاله خصوصیات شناسایی بردار ساختاری تجزیه و تحلیل شده است مدلهای میانگین متحرک خودرو (SVARMA) که توسط مستقل و مستقل هدایت می شوند شوک های غیر گاوسی.به خوبی شناخته شده است که مدل های Svarma توسط گاوسی رانده می شوند خطاها بدون تحمیل محدودیت های بیشتر در مورد مشخصات مشخص نمی شوند پارامترهاحتی در فرم کاهش یافته و فرض ثبات و عدم اعتبار ، مدلهای متوسط متحرک خود در حال حرکت به طور کلی شناسایی نمی شوند بدون نیاز به ماتریس پارامتر خاص به غیر آواز.استقلال و از غیرحضوری شوک ها برای نشان دادن شناسایی آنها استفاده می شود به مجوزها و مقیاس ها.به این ترتیب ، به طور معمول شناسایی تحمیل می شود محدودیت ها قابل آزمایش هستند.علاوه بر این ، ما یک احتمال حداکثر را معرفی می کنیم برآوردگر مدل SVARMA غیر Gaussian که سازگار است و به طور غیر عادی به طور عادی توزیع می شود.

We generalize well-known results on structural identifiability of vector autoregressive models (VAR) to the case where the innovation covariance matrix has reduced rank. Structural singular VAR models appear, for example, as solutions of rational expectation models where the number of shocks is usually smaller than the number of endogenous variables, and as an essential building block in dynamic factor models. We show that order conditions for identifiability are misleading in the singular case and provide a rank condition for identifiability of the noise parameters. Since the Yule-Walker equations may have multiple solutions, we analyze the effect of restrictions on the system parameters on over- and underidentification in detail and provide easily verifiable conditions.

ما نتایج شناخته شده ای را در مورد شناسایی ساختاری بردار تعمیم می دهیم مدل های خودکار (VAR) به موردی که ماتریس کواریانس نوآوری رتبه را کاهش داده است.به عنوان مثال ، مدل های VAR مفرد ساختاری ظاهر می شوند راه حل های مدل های انتظار منطقی که معمولاً تعداد شوک ها است کوچکتر از تعداد متغیرهای درون زا و به عنوان یک ساختمان ضروری بلوک در مدلهای فاکتور پویا.ما آن شرایط سفارش را نشان می دهیم شناسایی در مورد مفرد گمراه کننده است و رتبه ای را ارائه می دهد شرط شناسایی پارامترهای نویز.از آنجا که yule-walker معادلات ممکن است چندین راه حل داشته باشند ، ما تأثیر محدودیت ها را در تجزیه و تحلیل می کنیم پارامترهای سیستم در مورد شناسایی بیش از حد و زیر و در جزئیات و ارائه شرایط به راحتی قابل تأیید.

This paper studies inter-trade durations in the NASDAQ limit order market and finds that inter-trade durations in ultra-high frequency have two modes. One mode is to the order of approximately 10^{-4} seconds, and the other is to the order of 1 second. This phenomenon and other empirical evidence suggest that there are two regimes associated with the dynamics of inter-trade durations, and the regime switchings are driven by the changes of high-frequency traders (HFTs) between providing and taking liquidity. To find how the two modes depend on information in the limit order book (LOB), we propose a two-state multifactor regime-switching (MF-RSD) model for inter-trade durations, in which the probabilities transition matrices are time-varying and depend on some lagged LOB factors. The MF-RSD model has good in-sample fitness and the superior out-of-sample performance, compared with some benchmark duration models. Our findings of the effects of LOB factors on the inter-trade durations help to understand more about the high-frequency market microstructure.

در این مقاله به بررسی مدت زمان تجارت در بازار سفارش محدود NASDAQ و می یابد که مدت زمان تجارت در فرکانس فوق العاده بالا دارای دو حالت است.یکی حالت به ترتیب تقریباً 10^{-4} ثانیه است و دیگری به سفارش 1 ثانیه.این پدیده و سایر شواهد تجربی نشان می دهد که دو رژیم در ارتباط با پویایی مدت زمان تجارت وجود دارد ، و تعویض رژیم با تغییر معامله گران با فرکانس بالا هدایت می شود (HFT) بین تأمین و نقدینگی.برای پیدا کردن نحوه بستگی به این دو حالت در مورد اطلاعات موجود در کتاب سفارش محدود (LOB) ، ما یک دو کشور پیشنهاد می کنیم مدل تغییر سرعت رژیم چند منظوره (MF-RSD) برای مدت زمان بین تجارت ، که در آن ماتریس انتقال احتمالات متغیر است و به برخی بستگی دارد فاکتورهای LOB عقب مانده.مدل MF-RSD از آمادگی جسمانی در نمونه خوبی برخوردار است عملکرد برتر خارج از نمونه ، در مقایسه با برخی از مدت معیار مدل ها.یافته های ما از تأثیر عوامل LOB در مدت زمان تجارت به درک بیشتر در مورد ریزساختار بازار با فرکانس بالا کمک کنید.

This paper proposes averaging estimation methods to improve the finite-sample efficiency of the instrumental variables quantile regression (IVQR) estimation. First, I apply Cheng, Liao, Shi's (2019) averaging GMM framework to the IVQR model. I propose using the usual quantile regression moments for averaging to take advantage of cases when endogeneity is not too strong. I also propose using two-stage least squares slope moments to take advantage of cases when heterogeneity is not too strong. The empirical optimal weight formula of Cheng et al. (2019) helps optimize the bias-variance tradeoff, ensuring uniformly better (asymptotic) risk of the averaging estimator over the standard IVQR estimator under certain conditions. My implementation involves many computational considerations and builds on recent developments in the quantile literature. Second, I propose a bootstrap method that directly averages among IVQR, quantile regression, and two-stage least squares estimators. More specifically, I find the optimal weights in the bootstrap world and then apply the bootstrap-optimal weights to the original sample. The bootstrap method is simpler to compute and generally performs better in simulations, but it lacks the formal uniform dominance results of Cheng et al. (2019). Simulation results demonstrate that in the multiple-regressors/instruments case, both the GMM averaging and bootstrap estimators have uniformly smaller risk than the IVQR estimator across data-generating processes (DGPs) with all kinds of combinations of different endogeneity levels and heterogeneity levels. In DGPs with a single endogenous regressor and instrument, where averaging estimation is known to have least opportunity for improvement, the proposed averaging estimators outperform the IVQR estimator in some cases but not others.

در این مقاله روشهای تخمین میانگین برای بهبود نمونه محدود پیشنهاد شده است کارآیی متغیرهای ابزاری برآورد رگرسیون کوانتیل (IVQR). اول ، من Cheng ، Liao ، Shi (2019) را به طور متوسط چارچوب GMM به IVQR اعمال می کنم مدل.من پیشنهاد می کنم از لحظات رگرسیون کمی معمول برای میانگین استفاده کنید از مواردی که درون زایی خیلی قوی نیست ، استفاده کنید.من هم پیشنهاد می کنم با استفاده از لحظات شیب حداقل مربع دو مرحله ای برای استفاده از مواردی که ناهمگونی خیلی قوی نیست.فرمول وزن بهینه تجربی چنگ و همکاران(2019) به بهینه سازی تجارت تعصب و واریانس کمک می کند ، و از یکنواخت اطمینان می دهد خطر بهتر (بدون علامت) از برآوردگر میانگین بر روی IVQR استاندارد برآوردگر تحت شرایط خاص.اجرای من شامل بسیاری است ملاحظات محاسباتی و بر اساس تحولات اخیر در کمیت ادبیات.دوم ، من یک روش bootstrap را پیشنهاد می کنم که به طور متوسط در بین IVQR ، رگرسیون کمی و برآوردگرهای حداقل مربعات دو مرحله ای.بیشتر به طور خاص ، من وزن های بهینه را در دنیای بوت استرپ پیدا می کنم و سپس اعمال می کنم وزن های بهینه بوت استرپ به نمونه اصلی.روش bootstrap است محاسبه ساده تر و به طور کلی در شبیه سازی ها عملکرد بهتری دارد ، اما فاقد آن است نتایج تسلط یکنواخت رسمی چنگ و همکاران.(2019).نتایج شبیه سازی نشان دهید که در مورد چند رأی دهنده/ابزارها ، هر دو GMM برآوردگرهای میانگین و بوت استرپ خطر یکنواخت تر از IVQR دارند برآوردگر در فرآیندهای تولید داده (DGP) با انواع ترکیبی از سطوح مختلف درون زا و سطح ناهمگونی.در DGPS با یک رگر و ابزار درون زا واحد ، که در آن تخمین متوسط است شناخته شده است که کمترین فرصت برای بهبود را دارد ، میانگین پیشنهادی برآوردگرها در بعضی موارد از برآوردگر IVQR بهتر عمل می کنند اما برخی دیگر.

This paper proposes an imputation procedure that uses the factors estimated from a tall block along with the re-rotated loadings estimated from a wide block to impute missing values in a panel of data. Assuming that a strong factor structure holds for the full panel of data and its sub-blocks, it is shown that the common component can be consistently estimated at four different rates of convergence without requiring regularization or iteration. An asymptotic analysis of the estimation error is obtained. An application of our analysis is estimation of counterfactuals when potential outcomes have a factor structure. We study the estimation of average and individual treatment effects on the treated and establish a normal distribution theory that can be useful for hypothesis testing.

در این مقاله یک روش متناوب ارائه شده است که از عوامل تخمین زده شده استفاده می کند از یک بلوک بلند به همراه بارهای چرخانده شده دوباره تخمین زده می شود بلوک برای ایجاد مقادیر از دست رفته در یک صفحه از داده ها.با فرض اینکه یک قوی است ساختار فاکتور برای پانل کامل داده ها و زیر بلوک های آن ، این است نشان داده شده است که مؤلفه مشترک می تواند به طور مداوم در چهار متفاوت تخمین زده شود نرخ همگرایی بدون نیاز به تنظیم مجدد یا تکرار.در تجزیه و تحلیل بدون علامت خطای تخمین به دست می آید.برنامه ای از ما تجزیه و تحلیل برآورد ضد اکتشافی است که نتایج بالقوه یک عامل داشته باشد ساختارما تخمین اثرات درمانی متوسط و فردی را مطالعه می کنیم در مورد درمان و ایجاد یک تئوری توزیع عادی که می تواند مفید باشد برای آزمایش فرضیه.

This paper develops a new standard-error estimator for linear panel data models. The proposed estimator is robust to heteroskedasticity, serial correlation, and cross-sectional correlation of unknown forms. The serial correlation is controlled by the Newey-West method. To control for cross-sectional correlations, we propose to use the thresholding method, without assuming the clusters to be known. We establish the consistency of the proposed estimator. Monte Carlo simulations show the method works well. An empirical application is considered.

این مقاله یک برآوردگر جدید خطای استاندارد برای داده های پانل خطی تهیه می کند مدل ها.برآوردگر پیشنهادی نسبت به ناهمگونی ، سریال قوی است همبستگی و همبستگی مقطعی از اشکال ناشناخته.سریال همبستگی با روش Newey-West کنترل می شود.کنترل برای همبستگی های مقطعی ، ما پیشنهاد می کنیم از روش آستانه استفاده کنیم ، بدون فرض اینکه خوشه ها شناخته شوند.ما قوام برآوردگر پیشنهادیشبیه سازی مونت کارلو نشان می دهد که روش به خوبی کار می کند.در کاربرد تجربی در نظر گرفته شده است.

This article provides a selective review on the recent literature on econometric models of network formation. The survey starts with a brief exposition on basic concepts and tools for the statistical description of networks. I then offer a review of dyadic models, focussing on statistical models on pairs of nodes and describe several developments of interest to the econometrics literature. The article also presents a discussion of non-dyadic models where link formation might be influenced by the presence or absence of additional links, which themselves are subject to similar influences. This is related to the statistical literature on conditionally specified models and the econometrics of game theoretical models. I close with a (non-exhaustive) discussion of potential areas for further development.

در این مقاله یک بررسی انتخابی در مورد ادبیات اخیر در مورد ارائه شده است مدلهای اقتصاد سنجی شکل گیری شبکه.این نظرسنجی با یک مختصر آغاز می شود نمایش در مورد مفاهیم و ابزارهای اساسی برای توضیحات آماری شبکه های.سپس من یک بررسی از مدلهای دادی را ارائه می دهم ، با تمرکز بر روی آماری مدل هایی روی جفت گره ها و چندین پیشرفت مورد علاقه به ادبیات اقتصاد سنجی.این مقاله همچنین بحثی در مورد غیر دایا ارائه می دهد مدلهایی که تشکیل پیوند ممکن است تحت تأثیر حضور یا عدم وجود باشد پیوندهای اضافی ، که خودشان مشمول تأثیرات مشابه هستند.این هست مربوط به ادبیات آماری در مدل های مشخص شده با شرطی و اقتصاد سنجی مدل های نظری بازی.من با یک (غیر اکسپرس) نزدیک می شوم بحث در مورد مناطق بالقوه برای توسعه بیشتر.

Long memory in the sense of slowly decaying autocorrelations is a stylized fact in many time series from economics and finance. The fractionally integrated process is the workhorse model for the analysis of these time series. Nevertheless, there is mixed evidence in the literature concerning its usefulness for forecasting and how forecasting based on it should be implemented. Employing pseudo-out-of-sample forecasting on inflation and realized volatility time series and simulations we show that methods based on fractional integration clearly are superior to alternative methods not accounting for long memory, including autoregressions and exponential smoothing. Our proposal of choosing a fixed fractional integration parameter of $d=0.5$ a priori yields the best results overall, capturing long memory behavior, but overcoming the deficiencies of methods using an estimated parameter. Regarding the implementation of forecasting methods based on fractional integration, we use simulations to compare local and global semiparametric and parametric estimators of the long memory parameter from the Whittle family and provide asymptotic theory backed up by simulations to compare different mean estimators. Both of these analyses lead to new results, which are also of interest outside the realm of forecasting.

حافظه طولانی به معنای پوسیدگی همبستگی به آرامی یک تلطیف شده است واقعیت در بسیاری از سری های زمانی از اقتصاد و امور مالی.کسری فرآیند یکپارچه مدل اسب بخار برای تجزیه و تحلیل این زمان است سلسله.با این وجود ، شواهد متفاوتی در ادبیات در مورد آن وجود دارد سودمندی برای پیش بینی و چگونگی پیش بینی بر اساس آن باید باشد پیاده سازی شده استفاده از پیش بینی شبه از نمونه بر تورم و تحقق یافته سری زمانی نوسانات و شبیه سازی ها نشان می دهیم که روش های مبتنی بر کسری ادغام به وضوح نسبت به روشهای جایگزین که مدت طولانی حسابداری نمی کنند برتر هستند حافظه ، از جمله اتورژها و هموار سازی نمایی.پیشنهاد ما از انتخاب یک پارامتر ادغام کسری ثابت از $ d = 0.5 $ پیشینی بازده بهترین نتیجه به طور کلی ، ضبط رفتار طولانی حافظه ، اما غلبه بر آن کمبود روشها با استفاده از یک پارامتر تخمین زده شده. با توجه به اجرای روشهای پیش بینی بر اساس کسری ادغام ، ما از شبیه سازی ها برای مقایسه Semiparametric محلی و جهانی استفاده می کنیم و برآوردگرهای پارامتری پارامتر حافظه طولانی از خانواده Whittle و نظریه بدون علامت ارائه شده توسط شبیه سازی ها برای مقایسه میانگین های مختلف برآوردگرهاهر دوی این تحلیل ها منجر به نتایج جدید می شوند که از آن نیز هستند علاقه خارج از قلمرو پیش بینی.

This paper develops the inferential theory for latent factor models estimated from large dimensional panel data with missing observations. We propose an easy-to-use all-purpose estimator for a latent factor model by applying principal component analysis to an adjusted covariance matrix estimated from partially observed panel data. We derive the asymptotic distribution for the estimated factors, loadings and the imputed values under an approximate factor model and general missing patterns. The key application is to estimate counterfactual outcomes in causal inference from panel data. The unobserved control group is modeled as missing values, which are inferred from the latent factor model. The inferential theory for the imputed values allows us to test for individual treatment effects at any time under general adoption patterns where the units can be affected by unobserved factors.

این مقاله نظریه استنباطی را برای مدلهای فاکتور نهفته تخمین زده می کند از داده های پانل ابعادی بزرگ با مشاهدات گمشده.ما پیشنهاد می کنیم با استفاده از برآوردگر همه منظوره برای یک مدل فاکتور نهفته با استفاده تجزیه و تحلیل مؤلفه اصلی به یک ماتریس کواریانس تنظیم شده تخمین زده شده از داده های پانل تا حدی مشاهده شده.ما توزیع بدون علامت را برای فاکتورهای تخمین زده شده ، بارگذاری و مقادیر منتخب تحت یک عامل تقریبی مدل و الگوهای گمشده کلی.برنامه اصلی تخمین است نتایج متقابل در استنتاج علی از داده های پانل.بی نظیر گروه کنترل به عنوان مقادیر گمشده مدل می شود ، که از نهان استنباط می شوند مدل فاکتور.نظریه استنباطی برای مقادیر منتخب به ما امکان آزمایش می دهد برای اثرات درمانی فردی در هر زمان تحت الگوهای پذیرش عمومی در جایی که واحدها می توانند تحت تأثیر عوامل غیرمجاز قرار بگیرند.

We discuss the issue of estimating large-scale vector autoregressive (VAR) models with stochastic volatility in real-time situations where data are sampled at different frequencies. In the case of a large VAR with stochastic volatility, the mixed-frequency data warrant an additional step in the already computationally challenging Markov Chain Monte Carlo algorithm used to sample from the posterior distribution of the parameters. We suggest the use of a factor stochastic volatility model to capture a time-varying error covariance structure. Because the factor stochastic volatility model renders the equations of the VAR conditionally independent, settling for this particular stochastic volatility model comes with major computational benefits. First, we are able to improve upon the mixed-frequency simulation smoothing step by leveraging a univariate and adaptive filtering algorithm. Second, the regression parameters can be sampled equation-by-equation in parallel. These computational features of the model alleviate the computational burden and make it possible to move the mixed-frequency VAR to the high-dimensional regime. We illustrate the model by an application to US data using our mixed-frequency VAR with 20, 34 and 119 variables.

ما در مورد مسئله تخمین وکتور در مقیاس بزرگ (VAR) بحث می کنیم مدلهایی با نوسانات تصادفی در شرایط زمان واقعی که داده ها هستند نمونه برداری در فرکانس های مختلف.در مورد یک VAR بزرگ با تصادفی نوسانات ، داده های فرکانس مختلط یک گام اضافی در حال حاضر را ضمانت می کنند محاسباتی چالش برانگیز الگوریتم زنجیره ای مارکوف مونت کارلو که برای نمونه برداری استفاده می شود از توزیع خلفی پارامترها.ما استفاده از a را پیشنهاد می کنیم فاکتور مدل نوسانات تصادفی برای ضبط یک کواریانس خطای متغیر ساختارزیرا مدل نوسانات تصادفی فاکتور معادلات را ارائه می دهد از VAR از نظر شرطی مستقل ، حل و فصل برای این تصادفی خاص مدل نوسانات دارای مزایای عمده محاسباتی است.اول ، ما قادر هستیم با استفاده از مرحله صاف کردن شبیه سازی فرکانس مخلوط با استفاده از a الگوریتم فیلتر یک متغیره و تطبیقی.دوم ، پارامترهای رگرسیون می توان به طور موازی از معادله توسط معادله نمونه برداری کرد.این ویژگی های محاسباتی از مدل بار محاسباتی را کاهش داده و حرکت را ممکن می سازد فرکانس مخلوط متغیر به رژیم با ابعاد بالا.ما مدل را نشان می دهیم توسط برنامه ای برای داده های ایالات متحده با استفاده از VAR فرکانس مخلوط ما با 20 ، 34 و 119 متغیرها

We introduce a synthetic control methodology to study policies with staggered adoption. Many policies, such as the board gender quota, are replicated by other policy setters at different time frames. Our method estimates the dynamic average treatment effects on the treated using variation introduced by the staggered adoption of policies. Our method gives asymptotically unbiased estimators of many interesting quantities and delivers asymptotically valid inference. By using the proposed method and national labor data in Europe, we find evidence that quota regulation on board diversity leads to a decrease in part-time employment, and an increase in full-time employment for female professionals.

ما یک روش کنترل مصنوعی را برای مطالعه سیاست ها با مبهم معرفی می کنیم فرزندخواندگیبسیاری از سیاست ها ، مانند سهمیه جنسیت هیئت مدیره ، توسط سایر تنظیم کننده های خط مشی در بازه های زمانی مختلف.روش ما پویا را تخمین می زند میانگین اثرات درمانی بر روی درمان با استفاده از تنوع معرفی شده توسط تصویب مبهم از سیاست ها.روش ما به صورت نامتعارف بی تاب می شود برآوردگرهای بسیاری از مقادیر جالب و ارائه بدون علامت معتبر استنتاجبا استفاده از روش پیشنهادی و داده های کار ملی در اروپا ، ما شواهدی پیدا کنید که تنظیم سهمیه در مورد تنوع هیئت مدیره منجر به کاهش می شود اشتغال پاره وقت و افزایش اشتغال تمام وقت برای زنان حرفه ای ها.

Haavelmo (1944) proposed a probabilistic structure for econometric modeling, aiming to make econometrics useful for decision making. His fundamental contribution has become thoroughly embedded in subsequent econometric research, yet it could not answer all the deep issues that the author raised. Notably, Haavelmo struggled to formalize the implications for decision making of the fact that models can at most approximate actuality. In the same period, Wald (1939, 1945) initiated his own seminal development of statistical decision theory. Haavelmo favorably cited Wald, but econometrics did not embrace statistical decision theory. Instead, it focused on study of identification, estimation, and statistical inference. This paper proposes statistical decision theory as a framework for evaluation of the performance of models in decision making. I particularly consider the common practice of as-if optimization: specification of a model, point estimation of its parameters, and use of the point estimate to make a decision that would be optimal if the estimate were accurate. A central theme is that one should evaluate as-if optimization or any other model-based decision rule by its performance across the state space, listing all states of nature that one believes feasible, not across the model space. I apply the theme to prediction and treatment choice. Statistical decision theory is conceptually simple, but application is often challenging. Advancement of computation is the primary task to continue building the foundations sketched by Haavelmo and Wald.

Haavelmo (1944) ساختار احتمالی را برای مدل سازی اقتصاد سنجی پیشنهاد داد ، با هدف ایجاد اقتصاد سنجی برای تصمیم گیری.اساسی او مشارکت در تحقیقات بعدی اقتصاد سنجی کاملاً تعبیه شده است ، با این وجود نمی تواند به همه موضوعات عمیق که نویسنده مطرح کرده است پاسخ دهد.به ویژه، هاولمو تلاش کرد تا پیامدهای تصمیم گیری را رسمی کند این واقعیت که مدل ها حداکثر می توانند تقریبی واقعیت داشته باشند.در همان دوره ، والد (1939 ، 1945) توسعه اصلی خود را برای تصمیم آماری آغاز کرد تئوری.Haavelmo به طور مطلوب به والد استناد کرد ، اما اقتصاد سنجی در آغوش نگرفت نظریه تصمیم آماری.در عوض ، آن را بر مطالعه شناسایی متمرکز کرد ، تخمین و استنباط آماری.در این مقاله تصمیم آماری پیشنهاد شده است نظریه به عنوان چارچوبی برای ارزیابی عملکرد مدل ها در تصمیم گیری ساخت.من به ویژه شیوه معمول بهینه سازی AS-IF را در نظر می گیرم: مشخصات یک مدل ، تخمین نقطه از پارامترهای آن و استفاده از برآورد نقطه برای تصمیم گیری در صورت برآورد مطلوب خواهد بود دقیق.یک موضوع اصلی این است که باید بهینه سازی یا بهینه سازی یا هر چیز دیگری را ارزیابی کرد قانون تصمیم گیری مبتنی بر مدل دیگر با عملکرد آن در فضای ایالتی ، لیست همه حالت های طبیعت که شخص معتقد است امکان پذیر است ، نه در سراسر مدل فضا.من موضوع را برای انتخاب پیش بینی و درمان اعمال می کنم.وابسته به آماری نظریه تصمیم گیری از نظر مفهومی ساده است ، اما کاربرد اغلب چالش برانگیز است. پیشرفت محاسبه وظیفه اصلی برای ادامه ساخت است بنیادهایی که توسط هاولمو و والد طراحی شده اند.

We analyze different types of simulations that applied researchers may use to assess their inference methods. We show that different types of simulations vary in many dimensions when considered as inference assessments. Moreover, we show that natural ways of running simulations may lead to misleading conclusions, and we propose alternatives. We then provide evidence that even some simple assessments can detect problems in many different settings. Alternative assessments that potentially better approximate the true data generating process may detect problems that simpler assessments would not detect. However, they are not uniformly dominant in this dimension, and may imply some costs.

ما انواع مختلفی از شبیه سازی ها را که ممکن است از محققان کاربردی استفاده کنند ، تجزیه و تحلیل می کنیم روشهای استنتاج آنها را ارزیابی کنید.ما نشان می دهیم که انواع مختلفی از شبیه سازی ها در بسیاری از ابعاد متفاوت است که به عنوان ارزیابی استنتاج در نظر گرفته می شود.علاوه بر این ، ما نشان می دهد که روشهای طبیعی اجرای شبیه سازی ممکن است منجر به گمراه کننده شود نتیجه گیری ، و ما گزینه های دیگری را پیشنهاد می کنیم.سپس شواهدی ارائه می دهیم که حتی برخی از ارزیابی های ساده می توانند مشکلات را در بسیاری از تنظیمات مختلف تشخیص دهند. ارزیابی های جایگزین که به طور بالقوه داده های واقعی را تقریبی می کنند تولید فرآیند ممکن است مشکلاتی را که ارزیابی های ساده تر انجام نمی دهند ، تشخیص دهد تشخیص.با این حال ، آنها در این بعد به طور یکنواخت مسلط نیستند و ممکن است دلالت بر برخی هزینه ها.

Learning about cause and effect is arguably the main goal in applied econometrics. In practice, the validity of these causal inferences is contingent on a number of critical assumptions regarding the type of data that has been collected and the substantive knowledge that is available. For instance, unobserved confounding factors threaten the internal validity of estimates, data availability is often limited to non-random, selection-biased samples, causal effects need to be learned from surrogate experiments with imperfect compliance, and causal knowledge has to be extrapolated across structurally heterogeneous populations. A powerful causal inference framework is required to tackle these challenges, which plague most data analysis to varying degrees. Building on the structural approach to causality introduced by Haavelmo (1943) and the graph-theoretic framework proposed by Pearl (1995), the artificial intelligence (AI) literature has developed a wide array of techniques for causal learning that allow to leverage information from various imperfect, heterogeneous, and biased data sources (Bareinboim and Pearl, 2016). In this paper, we discuss recent advances in this literature that have the potential to contribute to econometric methodology along three dimensions. First, they provide a unified and comprehensive framework for causal inference, in which the aforementioned problems can be addressed in full generality. Second, due to their origin in AI, they come together with sound, efficient, and complete algorithmic criteria for automatization of the corresponding identification task. And third, because of the nonparametric description of structural models that graph-theoretic approaches build on, they combine the strengths of both structural econometrics as well as the potential outcomes framework, and thus offer an effective middle ground between these two literature streams.

یادگیری در مورد علت و معلول مسلماً هدف اصلی در کاربردی است اقتصاد سنجیدر عمل ، اعتبار این استنتاج های علی است مشروط بر تعدادی از فرضیات مهم در مورد نوع داده هایی که جمع آوری شده و دانش اساسی موجود است.برای به عنوان مثال ، فاکتورهای مخدوش غیرقابل تحمل اعتبار داخلی را تهدید می کنند برآورد ، در دسترس بودن داده ها اغلب به غیر تصادفی ، انتخاب مغرضانه محدود می شود نمونه ها ، اثرات علّی باید از آزمایش های جانشین با آنها آموخته شود انطباق ناقص ، و دانش علّی باید در سراسر جمعیت ناهمگن از نظر ساختاری.یک چارچوب قدرتمند استنباط علیت برای مقابله با این چالش ها ، که بیشتر تجزیه و تحلیل داده ها را طاعون می کند ، لازم است درجات مختلف.با استفاده از رویکرد ساختاری به علیت معرفی شده توسط Haavelmo (1943) و چارچوب گرافیک نظری پیشنهاد شده توسط مروارید (1995) ، ادبیات هوش مصنوعی (AI) طیف گسترده ای از تکنیک هایی برای یادگیری علی که امکان استفاده از اطلاعات مختلف را فراهم می کند منابع داده ناقص ، ناهمگن و مغرضانه (Bareinboim and Pearl ، 2016). در این مقاله ، ما در مورد پیشرفت های اخیر در این ادبیات بحث می کنیم پتانسیل کمک به روش اقتصاد سنجی در طول سه بعد. اول ، آنها یک چارچوب یکپارچه و جامع برای استنباط علیت ارائه می دهند ، که در آن می توان مشکلات فوق را به طور کامل برطرف کرد. دوم ، به دلیل منشأ آنها در هوش مصنوعی ، آنها با صدا ، کارآمد جمع می شوند و معیارهای الگوریتمی کامل برای خودکار سازی مربوطه کار شناساییو سوم ، به دلیل توصیف غیرپارامتری مدلهای ساختاری که رویکردهای نظری گرافیک بر روی آن ساخته می شوند ، آنها را ترکیب می کنند نقاط قوت اقتصاد سنجی ساختاری و همچنین نتایج بالقوه چارچوب ، و در نتیجه یک میانه مؤثر بین این دو ارائه می دهد جریان ادبیات.

We study the use of Temporal-Difference learning for estimating the structural parameters in dynamic discrete choice models. Our algorithms are based on the conditional choice probability approach but use functional approximations to estimate various terms in the pseudo-likelihood function. We suggest two approaches: The first - linear semi-gradient - provides approximations to the recursive terms using basis functions. The second - Approximate Value Iteration - builds a sequence of approximations to the recursive terms by solving non-parametric estimation problems. Our approaches are fast and naturally allow for continuous and/or high-dimensional state spaces. Furthermore, they do not require specification of transition densities. In dynamic games, they avoid integrating over other players' actions, further heightening the computational advantage. Our proposals can be paired with popular existing methods such as pseudo-maximum-likelihood, and we propose locally robust corrections for the latter to achieve parametric rates of convergence. Monte Carlo simulations confirm the properties of our algorithms in practice.

ما استفاده از یادگیری با اختلاف زمانی را برای برآورد مطالعه می کنیم پارامترهای ساختاری در مدلهای انتخاب گسسته پویا.الگوریتم های ما هستند بر اساس رویکرد احتمال انتخاب مشروط اما از عملکردی استفاده کنید تقریبی برای برآورد اصطلاحات مختلف در عملکرد شبه احتمال.ما دو رویکرد را پیشنهاد کنید: اولین - خطی نیمه شغلی - ارائه می دهد تقریب به اصطلاحات بازگشتی با استفاده از توابع پایه.دومین - تکرار ارزش تقریبی - دنباله ای از تقریب ها را ایجاد می کند اصطلاحات بازگشتی با حل مشکلات تخمین غیر پارامتری.رویکردهای ما سریع و به طور طبیعی امکان حالت مداوم و/یا با ابعاد بالا را فراهم می کنند فضاهاعلاوه بر این ، آنها نیازی به مشخصات تراکم انتقال ندارند. در بازی های پویا ، آنها از ادغام بیش از اقدامات سایر بازیکنان خودداری می کنند افزایش مزیت محاسباتی.پیشنهادات ما را می توان با جفت کرد روشهای موجود محبوب مانند شبه حداکثر-لیکلی بودن ، و ما پیشنهاد می کنیم اصلاحات محلی قوی برای دومی برای دستیابی به نرخ پارامتری همگراییشبیه سازی مونت کارلو خصوصیات الگوریتم های ما را تأیید می کند در عمل

Researchers increasingly wish to estimate time-varying parameter (TVP) regressions which involve a large number of explanatory variables. Including prior information to mitigate over-parameterization concerns has led to many using Bayesian methods. However, Bayesian Markov Chain Monte Carlo (MCMC) methods can be very computationally demanding. In this paper, we develop computationally efficient Bayesian methods for estimating TVP models using an integrated rotated Gaussian approximation (IRGA). This exploits the fact that whereas constant coefficients on regressors are often important, most of the TVPs are often unimportant. Since Gaussian distributions are invariant to rotations we can split the the posterior into two parts: one involving the constant coefficients, the other involving the TVPs. Approximate methods are used on the latter and, conditional on these, the former are estimated with precision using MCMC methods. In empirical exercises involving artificial data and a large macroeconomic data set, we show the accuracy and computational benefits of IRGA methods.

محققان به طور فزاینده ای مایل به تخمین پارامتر متغیر زمان (TVP) هستند رگرسیون که تعداد زیادی از متغیرهای توضیحی را شامل می شود.شامل اطلاعات قبلی برای کاهش نگرانی های بیش از حد پارامتری منجر به بسیاری شده است با استفاده از روشهای بیزی.با این حال ، زنجیره ای مارکوف بیزی مونت کارلو (MCMC) روشها می توانند از نظر محاسباتی بسیار خواستار باشند.در این مقاله ، ما توسعه می دهیم روش های محاسباتی کارآمد بیزی برای برآورد مدلهای TVP با استفاده از یک تقریب گاوسی یکپارچه یکپارچه (IRGA).این از این واقعیت بهره می برد که در حالی که ضرایب ثابت روی رگرسیون ها اغلب مهم هستند ، بیشتر TVP ها اغلب بی اهمیت هستند.از آنجا که توزیع های گاوسی متغیر است چرخش ما می توانیم خلفی را به دو قسمت تقسیم کنیم: یکی شامل ضرایب ثابت ، دیگری شامل تلویزیون.روشهای تقریبی هستند مورد استفاده در دومی و مشروط به این موارد ، اولی تخمین زده می شود دقت با استفاده از روشهای MCMC.در تمرینات تجربی شامل داده های مصنوعی و یک مجموعه داده کلان اقتصادی بزرگ ، ما صحت و محاسباتی را نشان می دهیم مزایای روشهای IRGA.

Dynamic treatment regimes are treatment allocations tailored to heterogeneous individuals. The optimal dynamic treatment regime is a regime that maximizes counterfactual welfare. We introduce a framework in which we can partially learn the optimal dynamic regime from observational data, relaxing the sequential randomization assumption commonly employed in the literature but instead using (binary) instrumental variables. We propose the notion of sharp partial ordering of counterfactual welfares with respect to dynamic regimes and establish mapping from data to partial ordering via a set of linear programs. We then characterize the identified set of the optimal regime as the set of maximal elements associated with the partial ordering. We relate the notion of partial ordering with a more conventional notion of partial identification using topological sorts. Practically, topological sorts can be served as a policy benchmark for a policymaker. We apply our method to understand returns to schooling and post-school training as a sequence of treatments by combining data from multiple sources. The framework of this paper can be used beyond the current context, e.g., in establishing rankings of multiple treatments or policies across different counterfactual scenarios.

رژیم های درمانی پویا تخصیص درمان متناسب با ناهمگن است اشخاص حقیقی.رژیم درمانی بهینه بهینه رژیم است که حداکثر می شود رفاه ضد خلاف.ما چارچوبی را معرفی می کنیم که در آن می توانیم تا حدی رژیم پویا بهینه را از داده های مشاهده ای بیاموزید ، استراحت کنید فرض تصادفی پی در پی معمولاً در ادبیات به کار می رود اما در عوض با استفاده از متغیرهای ابزاری (باینری).ما مفهوم تیز را پیشنهاد می کنیم ترتیب جزئی از ولفار ضد خلاف با توجه به رژیم های پویا و نقشه برداری از داده ها به سفارش جزئی از طریق مجموعه ای از برنامه های خطی ایجاد کنید. ما سپس مجموعه مشخص شده رژیم بهینه را به عنوان مجموعه ای توصیف می کنیم حداکثر عناصر مرتبط با سفارش جزئی.ما مفهوم را بیان می کنیم سفارش جزئی با مفهوم متعارف تر از شناسایی جزئی با استفاده از انواع توپولوژیکی.از نظر عملی ، انواع توپولوژیکی را می توان به عنوان یک معیار سیاست برای یک سیاستگذار.ما روش خود را برای درک بازده اعمال می کنیم به آموزش و آموزش بعد از مدرسه به عنوان دنباله ای از درمان ها با ترکیب داده ها از چندین منبع.چارچوب این مقاله را می توان فراتر از آن استفاده کرد زمینه فعلی ، به عنوان مثال ، در تعیین رتبه های چندین درمان یا سیاست ها در سناریوهای مختلف ضد خلاف.

This paper presents a novel deep learning-based travel behaviour choice model.Our proposed Residual Logit (ResLogit) model formulation seamlessly integrates a Deep Neural Network (DNN) architecture into a multinomial logit model. Recently, DNN models such as the Multi-layer Perceptron (MLP) and the Recurrent Neural Network (RNN) have shown remarkable success in modelling complex and noisy behavioural data. However, econometric studies have argued that machine learning techniques are a `black-box' and difficult to interpret for use in the choice analysis.We develop a data-driven choice model that extends the systematic utility function to incorporate non-linear cross-effects using a series of residual layers and using skipped connections to handle model identifiability in estimating a large number of parameters.The model structure accounts for cross-effects and choice heterogeneity arising from substitution, interactions with non-chosen alternatives and other effects in a non-linear manner.We describe the formulation, model estimation, interpretability and examine the relative performance and econometric implications of our proposed model.We present an illustrative example of the model on a classic red/blue bus choice scenario example. For a real-world application, we use a travel mode choice dataset to analyze the model characteristics compared to traditional neural networks and Logit formulations.Our findings show that our ResLogit approach significantly outperforms MLP models while providing similar interpretability as a Multinomial Logit model.

در این مقاله یک انتخاب رفتار سفر مبتنی بر یادگیری عمیق ارائه شده است Model. ما فرمولاسیون مدل Logit باقیمانده (Reslogit) یکپارچه است یک معماری شبکه عصبی عمیق (DNN) را در یک ورود چندمجمی ادغام می کند مدل.اخیراً ، مدل های DNN مانند Perceptron چند لایه (MLP) و شبکه عصبی مکرر (RNN) موفقیت چشمگیری در مدل سازی نشان داده است داده های رفتاری پیچیده و پر سر و صدا.با این حال ، مطالعات اقتصاد سنجی استدلال کرده اند تکنیک های یادگیری ماشین یک "جعبه سیاه" است و تفسیر آن دشوار است برای استفاده در تجزیه و تحلیل انتخاب. ما یک مدل انتخاب داده محور ایجاد می کنیم که عملکرد ابزار سیستماتیک را گسترش می دهد تا اثرات متقابل غیر خطی را در خود جای دهد با استفاده از یک سری لایه های باقیمانده و استفاده از اتصالات پرشور برای مدیریت مدل شناسایی در تخمین تعداد زیادی از پارامترها. ساختار مدل عوارض متقابل و ناهمگونی انتخاب ناشی از جایگزینی را تشکیل می دهد ، تعامل با گزینه های غیر انتخابی و سایر جلوه ها در غیرخطی روش. ما فرمولاسیون ، برآورد مدل ، تفسیر و عملکرد نسبی و پیامدهای اقتصاد سنجی پیشنهادی ما را بررسی کنید model. ما یک نمونه مصور از مدل را در یک اتوبوس کلاسیک قرمز/آبی ارائه می دهیم مثال سناریو انتخاب.برای یک برنامه در دنیای واقعی ، ما از یک حالت سفر استفاده می کنیم مجموعه داده های انتخاب برای تجزیه و تحلیل ویژگی های مدل در مقایسه با سنتی شبکه های عصبی و فرمولاسیون ورود به سیستم. یافته های ما نشان می دهد که reslogit ما رویکرد به طور قابل توجهی از مدل های MLP در حالی که مشابه ارائه می دهد بهتر است تفسیر به عنوان یک مدل ورود به سیستم چندگانه.

We propose a new sequential Efficient Pseudo-Likelihood (k-EPL) estimator for dynamic discrete choice games of incomplete information. k-EPL considers the joint behavior of multiple players simultaneously, as opposed to individual responses to other agents' equilibrium play. This, in addition to reframing the problem from conditional choice probability (CCP) space to value function space, yields a computationally tractable, stable, and efficient estimator. We show that each iteration in the k-EPL sequence is consistent and asymptotically efficient, so the first-order asymptotic properties do not vary across iterations. Furthermore, we show the sequence achieves higher-order equivalence to the finite-sample maximum likelihood estimator with iteration and that the sequence of estimators converges almost surely to the maximum likelihood estimator at a nearly-superlinear rate when the data are generated by any regular Markov perfect equilibrium, including equilibria that lead to inconsistency of other sequential estimators. When utility is linear in parameters, k-EPL iterations are computationally simple, only requiring that the researcher solve linear systems of equations to generate pseudo-regressors which are used in a static logit/probit regression. Monte Carlo simulations demonstrate the theoretical results and show k-EPL's good performance in finite samples in both small- and large-scale games, even when the game admits spurious equilibria in addition to one that generated the data. We apply the estimator to study the role of competition in the U.S. wholesale club industry.

ما یک برآوردگر شبه شبه شبه کارآمد (K-EPL) را برای شما پیشنهاد می کنیم بازی های گسسته پویا از اطلاعات ناقص.K-EPL رفتار مشترک چندین بازیکن به طور همزمان ، بر خلاف فرد پاسخ به بازی تعادل سایر عوامل.این ، علاوه بر تغییر مجدد مشکل از احتمال انتخاب مشروط (CCP) فضای تا عملکرد ارزش فضا ، یک برآوردگر قابل کنترل ، پایدار و کارآمد محاسباتی را به دست می آورد.ما نشان می دهد که هر تکرار در دنباله K-EPL سازگار و بدون علامت است کارآمد است ، بنابراین خصوصیات بدون علامت مرتبه اول در سراسر متفاوت نیست تکرارهاعلاوه بر این ، ما نشان می دهیم که دنباله به هم ارزی مرتبه بالاتر دست می یابد به نمونه محدود حداکثر احتمال با تکرار و آن دنباله برآوردگرها تقریباً به حداکثر احتمال همگرا می شوند برآوردگر با نرخ تقریباً خطی هنگامی که داده ها توسط هر یک تولید می شوند تعادل کامل مارکوف به طور منظم ، از جمله تعادل که منجر به آن می شود ناسازگاری سایر برآوردگرهای متوالی.هنگامی که ابزار در خطی است پارامترها ، تکرارهای K-EPL از نظر محاسباتی ساده هستند و فقط به آن نیاز دارند محقق سیستم های خطی معادلات را برای تولید شبه رأی دهنده حل می کند که در یک رگرسیون استاتیک/پروبیت استفاده می شود.شبیه سازی مونت کارلو نتایج نظری را نشان دهید و عملکرد خوب K-EPL را در محدود نشان دهید نمونه ها در هر دو بازی در مقیاس کوچک و بزرگ ، حتی وقتی بازی اعتراف می کند تعادل فریبنده علاوه بر مواردی که داده ها را تولید می کند.ما اعمال می کنیم برآوردگر برای مطالعه نقش رقابت در صنعت عمده فروشی ایالات متحده.

We propose an optimal-transport-based matching method to nonparametrically estimate linear models with independent latent variables. The method consists in generating pseudo-observations from the latent variables, so that the Euclidean distance between the model's predictions and their matched counterparts in the data is minimized. We show that our nonparametric estimator is consistent, and we document that it performs well in simulated data. We apply this method to study the cyclicality of permanent and transitory income shocks in the Panel Study of Income Dynamics. We find that the dispersion of income shocks is approximately acyclical, whereas the skewness of permanent shocks is procyclical. By comparison, we find that the dispersion and skewness of shocks to hourly wages vary little with the business cycle.

ما یک روش تطبیق مبتنی بر حمل و نقل را به صورت غیر پارامتری پیشنهاد می کنیم مدل های خطی را با متغیرهای نهفته مستقل تخمین بزنید.این روش تشکیل شده است در تولید شبه کاسه از متغیرهای نهفته ، به طوری که فاصله اقلیدسی بین پیش بینی های مدل و همسان آنها همتایان در داده ها به حداقل می رسند.ما نشان می دهیم که برآوردگر غیرپارامتری ما سازگار است ، و ما مستند می کنیم که در داده های شبیه سازی شده عملکرد خوبی دارد.ما این روش را برای مطالعه چرخه ای از درآمد دائمی و گذرا استفاده کنید شوک در مطالعه پانل پویایی درآمد.ما می دانیم که پراکندگی شوک های درآمدی تقریباً حسی است ، در حالی که کمبود دائمی است شوک ها procyclical است.با مقایسه ، می فهمیم که پراکندگی و پوستی شوک به دستمزد ساعتی با چرخه تجارت کمی متفاوت است.

Markov switching models are a popular family of models that introduces time-variation in the parameters in the form of their state- or regime-specific values. Importantly, this time-variation is governed by a discrete-valued latent stochastic process with limited memory. More specifically, the current value of the state indicator is determined only by the value of the state indicator from the previous period, thus the Markov property, and the transition matrix. The latter characterizes the properties of the Markov process by determining with what probability each of the states can be visited next period, given the state in the current period. This setup decides on the two main advantages of the Markov switching models. Namely, the estimation of the probability of state occurrences in each of the sample periods by using filtering and smoothing methods and the estimation of the state-specific parameters. These two features open the possibility for improved interpretations of the parameters associated with specific regimes combined with the corresponding regime probabilities, as well as for improved forecasting performance based on persistent regimes and parameters characterizing them.

مدل های سوئیچینگ مارکوف یک خانواده محبوب از مدل ها هستند که معرفی می کنند تنوع زمان در پارامترها به شکل دولت یا رژیم خاص آنها ارزش های.مهمتر از همه ، این تنوع زمانی توسط یک ارزش گسسته اداره می شود فرآیند تصادفی نهفته با حافظه محدود.به طور خاص ، جریان مقدار شاخص حالت فقط با ارزش دولت تعیین می شود شاخص از دوره قبلی ، بنابراین خاصیت مارکوف ، و ماتریس انتقال.دومی خصوصیات مارکوف را مشخص می کند با تعیین اینکه از هر یک از ایالت ها می توان بازدید کرد ، فرآیند دوره بعدی ، با توجه به دولت در دوره فعلی.این تنظیم در مورد دو مزیت اصلی مدل های سوئیچینگ مارکوف.یعنی تخمین احتمال وقوع حالت در هر یک از دوره های نمونه با استفاده روشهای فیلتر و هموار سازی و تخمین حالت خاص مولفه های.این دو ویژگی امکان بهبود را باز می کنند تفسیرهای پارامترهای مرتبط با رژیمهای خاص در ترکیب با احتمال رژیم مربوطه و همچنین برای بهبود پیش بینی عملکرد بر اساس رژیم ها و پارامترهای مداوم توصیف آنها

Given the extreme dependence of agriculture on weather conditions, this paper analyses the effect of climatic variations on this economic sector, by considering both a huge dataset and a flexible spatio-temporal model specification. In particular, we study the response of N-fertilizer application to abnormal weather conditions, while accounting for other relevant control variables. The dataset consists of gridded data spanning over 21 years (1993-2013), while the methodological strategy makes use of a spatial dynamic panel data (SDPD) model that accounts for both space and time fixed effects, besides dealing with both space and time dependences. Time-invariant short and long term effects, as well as time-varying marginal effects are also properly defined, revealing interesting results on the impact of both GDP and weather conditions on fertilizer utilizations. The analysis considers four macro-regions -- Europe, South America, South-East Asia and Africa -- to allow for comparisons among different socio-economic societies. In addition to finding both spatial (in the form of knowledge spillover effects) and temporal dependences as well as a good support for the existence of an environmental Kuznets curve for fertilizer application, the paper shows peculiar responses of N-fertilization to deviations from normal weather conditions of moisture for each selected region, calling for ad hoc policy interventions.

با توجه به وابستگی شدید کشاورزی به شرایط آب و هوایی ، این مقاله تأثیر تغییرات آب و هوایی را در این بخش اقتصادی ، توسط با توجه به یک مجموعه داده عظیم و یک مدل فضایی و مکانی انعطاف پذیر مشخصات.به طور خاص ، ما پاسخ کاربرد N-Lertilizer را مطالعه می کنیم به شرایط غیر طبیعی آب و هوا ، در حالی که برای کنترل سایر کنترل ها حساب می شود متغیرهااین مجموعه داده شامل داده های شبکه شده بیش از 21 سال است (1993-2013) ، در حالی که استراتژی روش شناختی از یک پویا مکانی استفاده می کند مدل داده های پانل (SDPD) که هم برای فضا و هم جلوه های ثابت را به خود اختصاص می دهد ، علاوه بر این ، هم به وابستگی های فضا و هم در زمان.کوتاه مدت کوتاه و اثرات طولانی مدت و همچنین اثرات حاشیه ای متغیر زمان نیز به درستی است تعریف شده ، نتایج جالب در مورد تأثیر تولید ناخالص داخلی و آب و هوا را نشان می دهد شرایط استفاده از کود.تجزیه و تحلیل چهار را در نظر می گیرد مناطق کلان-اروپا ، آمریکای جنوبی ، جنوب شرقی آسیا و آفریقا-اجازه می دهند برای مقایسه بین جوامع مختلف اقتصادی و اجتماعی.بعلاوه یافتن هر دو مکانی (به شکل اثرات سرریز دانش) و موقتی وابستگی ها و همچنین حمایت خوبی از وجود یک محیط زیست منحنی Kuznets برای کاربرد کود ، مقاله پاسخهای عجیب و غریب از N- لقاح به انحراف از شرایط طبیعی آب و هوایی رطوبت برای هر منطقه منتخب ، خواستار مداخلات خط مشی موقت است.

This article deals with parameterisation, identifiability, and maximum likelihood (ML) estimation of possibly non-invertible structural vector autoregressive moving average (SVARMA) models driven by independent and non-Gaussian shocks. In contrast to previous literature, the novel representation of the MA polynomial matrix using the Wiener-Hopf factorisation (WHF) focuses on the multivariate nature of the model, generates insights into its structure, and uses this structure for devising optimisation algorithms. In particular, it allows to parameterise the location of determinantal zeros inside and outside the unit circle, and it allows for MA zeros at zero, which can be interpreted as informational delays. This is highly relevant for data-driven evaluation of Dynamic Stochastic General Equilibrium (DSGE) models. Typically imposed identifying restrictions on the shock transmission matrix as well as on the determinantal root location are made testable. Furthermore, we provide low level conditions for asymptotic normality of the ML estimator and analytic expressions for the score and the information matrix. As application, we estimate the Blanchard and Quah model and show that our method provides further insights regarding non-invertibility using a standard macroeconometric model. These and further analyses are implemented in a well documented R-package.

این مقاله به پارامتری ، شناسایی و حداکثر می پردازد احتمال (ML) تخمین بردار ساختاری احتمالاً غیر قابل برگشت مدلهای میانگین متحرک خودرو (SVARMA) که توسط مستقل و مستقل هدایت می شوند شوک های غیر گاوسی.برخلاف ادبیات قبلی ، رمان بازنمایی ماتریس چند جمله ای MA با استفاده از فاکتوریزاسیون Wiener-HOPF (WHF) بر ماهیت چند متغیره مدل تمرکز دارد ، بینش هایی را ایجاد می کند ساختار آن ، و از این ساختار برای ابداع الگوریتم های بهینه سازی استفاده می کند.که در به طور خاص ، این امکان را برای پارامتر کردن محل صفرهای تعیین کننده فراهم می کند در داخل و خارج از دایره واحد ، و اجازه می دهد تا Zeros Ma را در صفر قرار دهد ، که می توان به عنوان تاخیرهای اطلاع رسانی تعبیر کرد.این بسیار مهم است ارزیابی داده محور از مدلهای تعادل عمومی تصادفی پویا (DSGE). به طور معمول تعیین محدودیت در ماتریس انتقال شوک به عنوان و همچنین در مورد مکان ریشه ای تعیین کننده قابل آزمایش است.علاوه بر این ، ما شرایط سطح پایین را برای عادی بودن بدون علامت برآوردگر ML فراهم می کند و عبارات تحلیلی برای نمره و ماتریس اطلاعات.به عنوان کاربرد ، ما مدل Blanchard و quah را تخمین می زنیم و نشان می دهیم که روش ما ارائه می دهد بینش های بیشتر در مورد عدم انتقال با استفاده از یک کلان اقتصادی استاندارد مدل.این و تجزیه و تحلیل های بیشتر به صورت مستند اجرا شده است R-Package

This paper analyses the number of free parameters and solutions of the structural difference equation obtained from a linear multivariate rational expectations model. First, it is shown that the number of free parameters depends on the structure of the zeros at zero of a certain matrix polynomial of the structural difference equation and the number of inputs of the rational expectations model. Second, the implications of requiring that some components of the endogenous variables be predetermined are analysed. Third, a condition for existence and uniqueness of a causal stationary solution is given.

در این مقاله تعداد پارامترها و راه حل های رایگان مورد بررسی قرار گرفته است معادله تفاوت ساختاری به دست آمده از یک منطقی چند متغیره خطی مدل انتظارات.ابتدا نشان داده شده است که تعداد پارامترهای رایگان بستگی به ساختار صفر در صفر یک چند جملهای ماتریس خاص از معادله تفاوت ساختاری و تعداد ورودی های منطقی مدل انتظارات.دوم ، پیامدهای نیاز به برخی از مؤلفه ها متغیرهای درون زا از پیش تعیین شده می شوند.سوم ، یک شرط برای وجود و منحصر به فرد بودن یک راه حل ثابت علیت ارائه شده است.

We construct long-term prediction intervals for time-aggregated future values of univariate economic time series. We propose computational adjustments of the existing methods to improve coverage probability under a small sample constraint. A pseudo-out-of-sample evaluation shows that our methods perform at least as well as selected alternative methods based on model-implied Bayesian approaches and bootstrapping. Our most successful method yields prediction intervals for eight macroeconomic indicators over a horizon spanning several decades.

ما فواصل پیش بینی طولانی مدت را برای ارزشهای آینده در آینده می سازیم سری زمانی اقتصادی یک متغیره.ما تنظیمات محاسباتی را پیشنهاد می کنیم روشهای موجود برای بهبود احتمال پوشش تحت یک نمونه کوچک محدودیتیک ارزیابی شبه از نمونه نشان می دهد که روشهای ما در حداقل و همچنین روشهای جایگزین انتخاب شده بر اساس بیزیایی مدل شده با مدل رویکرد و راه اندازی.موفق ترین روش ما پیش بینی می کند فواصل برای هشت شاخص کلان اقتصادی در یک افق که چندین آن است دهه

Conjugate priors allow for fast inference in large dimensional vector autoregressive (VAR) models but, at the same time, introduce the restriction that each equation features the same set of explanatory variables. This paper proposes a straightforward means of post-processing posterior estimates of a conjugate Bayesian VAR to effectively perform equation-specific covariate selection. Compared to existing techniques using shrinkage alone, our approach combines shrinkage and sparsity in both the VAR coefficients and the error variance-covariance matrices, greatly reducing estimation uncertainty in large dimensions while maintaining computational tractability. We illustrate our approach by means of two applications. The first application uses synthetic data to investigate the properties of the model across different data-generating processes, the second application analyzes the predictive gains from sparsification in a forecasting exercise for US data.

مقدمات مزدوج امکان استنباط سریع در بردار ابعادی بزرگ را فراهم می کند مدل های خودکار (VAR) اما در عین حال محدودیت را معرفی می کنند که هر معادله دارای همان مجموعه متغیرهای توضیحی است.این کاغذ وسیله ای ساده برای تخمین خلفی پس از پردازش از a کونژوگه Bayesian VAR برای انجام موثر متغیر متغیر معادله انتخاب.در مقایسه با تکنیک های موجود با استفاده از انقباض به تنهایی ، رویکرد ما کوچک شدن و پراکندگی را در هر دو ضرایب VAR و خطا ترکیب می کند ماتریس واریانس کواریانس ، عدم اطمینان تخمین را به طور زیادی کاهش می دهد ابعاد ضمن حفظ قابلیت محاسباتی.ما خود را نشان می دهیم رویکرد با استفاده از دو برنامه.اولین برنامه از مصنوعی استفاده می کند داده ها برای بررسی خصوصیات مدل در متفاوت فرآیندهای تولید کننده داده ، برنامه دوم سود پیش بینی کننده را تجزیه و تحلیل می کند از پاری شدن در یک تمرین پیش بینی برای داده های ایالات متحده.

This paper considers estimation and inference about tail features when the observations beyond some threshold are censored. We first show that ignoring such tail censoring could lead to substantial bias and size distortion, even if the censored probability is tiny. Second, we propose a new maximum likelihood estimator (MLE) based on the Pareto tail approximation and derive its asymptotic properties. Third, we provide a small sample modification to the MLE by resorting to Extreme Value theory. The MLE with this modification delivers excellent small sample performance, as shown by Monte Carlo simulations. We illustrate its empirical relevance by estimating (i) the tail index and the extreme quantiles of the US individual earnings with the Current Population Survey dataset and (ii) the tail index of the distribution of macroeconomic disasters and the coefficient of risk aversion using the dataset collected by Barro and Urs{\'u}a (2008). Our new empirical findings are substantially different from the existing literature.

این مقاله تخمین و استنباط در مورد ویژگی های دم را در نظر می گیرد مشاهدات فراتر از برخی آستانه سانسور می شود.ما ابتدا نشان می دهیم که نادیده گرفتن چنین سانسور دم می تواند منجر به تعصب قابل توجهی و تحریف اندازه شود ، حتی اگر احتمال سانسور شده ریز است.دوم ، ما حداکثر احتمال جدید را پیشنهاد می کنیم برآوردگر (MLE) بر اساس تقریب دم پارتو و آن را استخراج می کند خصوصیات بدون علامت.سوم ، ما یک نمونه نمونه کوچک را به MLE ارائه می دهیم با استفاده از تئوری ارزش شدید.MLE با این اصلاح ارائه می شود عملکرد نمونه کوچک عالی ، همانطور که توسط شبیه سازی مونت کارلو نشان داده شده است.ما ارتباط تجربی آن را با برآورد (i) شاخص دم و مقدار شدید درآمد فردی ایالات متحده با جمعیت فعلی مجموعه داده های بررسی و (ب) شاخص دم توزیع کلان اقتصادی بلایای و ضریب افت ریسک با استفاده از مجموعه داده جمع آوری شده توسط Barro and Urs {\ 'u} a (2008).یافته های تجربی جدید ما به طور قابل ملاحظه ای است متفاوت از ادبیات موجود.

Discrete Choice Experiments (DCE) have been widely used in health economics, environmental valuation, and other disciplines. However, there is a lack of resources disclosing the whole procedure of carrying out a DCE. This document aims to assist anyone wishing to use the power of DCEs to understand people's behavior by providing a comprehensive guide to the procedure. This guide contains all the code needed to design, implement, and analyze a DCE using only free software.

آزمایش های انتخاب گسسته (DCE) به طور گسترده در اقتصاد بهداشت استفاده شده است ، ارزیابی محیط زیست و سایر رشته ها.با این حال ، فقدان وجود دارد منابع افشای کل روش انجام DCE.این سند هدف این است که به هر کسی که مایل به استفاده از قدرت DCE برای درک مردم است کمک کند رفتار با ارائه یک راهنمای جامع برای رویه.این راهنما شامل تمام کد مورد نیاز برای طراحی ، پیاده سازی و تجزیه و تحلیل DCE فقط با استفاده از نرم افزار رایگان

This paper studies the identification, estimation, and hypothesis testing problem in complete and incomplete economic models with testable assumptions. Testable assumptions ($A$) give strong and interpretable empirical content to the models but they also carry the possibility that some distribution of observed outcomes may reject these assumptions. A natural way to avoid this is to find a set of relaxed assumptions ($\tilde{A}$) that cannot be rejected by any distribution of observed outcome and the identified set of the parameter of interest is not changed when the original assumption is not rejected. The main contribution of this paper is to characterize the properties of such a relaxed assumption $\tilde{A}$ using a generalized definition of refutability and confirmability. I also propose a general method to construct such $\tilde{A}$. A general estimation and inference procedure is proposed and can be applied to most incomplete economic models. I apply my methodology to the instrument monotonicity assumption in Local Average Treatment Effect (LATE) estimation and to the sector selection assumption in a binary outcome Roy model of employment sector choice. In the LATE application, I use my general method to construct a set of relaxed assumptions $\tilde{A}$ that can never be rejected, and the identified set of LATE is the same as imposing $A$ when $A$ is not rejected. LATE is point identified under my extension $\tilde{A}$ in the LATE application. In the binary outcome Roy model, I use my method of incomplete models to relax Roy's sector selection assumption and characterize the identified set of the binary potential outcome as a polyhedron.

در این مقاله به بررسی شناسایی ، تخمین و آزمایش فرضیه می پردازیم مشکل در مدل های اقتصادی کامل و ناقص با فرضیات قابل آزمایش. فرضیات قابل آزمایش ($ $) محتوای تجربی قوی و قابل تفسیر را به این مدل ها اما این امکان را دارند که توزیع برخی از آنها نتایج مشاهده شده ممکن است این فرضیات را رد کند.یک روش طبیعی برای جلوگیری از این امر است برای یافتن مجموعه ای از فرضیات آرام ($ \ tilde {a} $) که توسط هرگونه توزیع نتیجه مشاهده شده و مجموعه مشخص شده پارامتر هنگامی که فرض اصلی رد نشود ، علاقه تغییر نمی کند.اصلی سهم این مقاله توصیف خواص چنین آرامش است فرض $ \ tilde {a} $ با استفاده از یک تعریف کلی از اصلاح و تأییدمن همچنین یک روش کلی برای ساخت چنین $ \ tilde {a} $ پیشنهاد می کنم. یک تخمین کلی و روش استنباط ارائه شده است و می تواند برای آن اعمال شود ناقص ترین مدلهای اقتصادی.من روش خود را روی ساز اعمال می کنم فرض یکنواختی در تخمین میانگین درمانی متوسط (اواخر) و به فرض انتخاب بخش در یک نتیجه باینری الگوی اشتغال روی انتخاب بخش.در کاربرد اواخر ، من از روش کلی خود برای ساخت a استفاده می کنم مجموعه ای از فرضیات آرام $ \ tilde {a} $ که هرگز نمی تواند رد شود و مجموعه مشخص شده از اواخر همان تحمیل $ $ است که $ A $ رد نمی شود. اواخر نقطه ای که تحت پسوند من $ \ tilde {a} $ در اواخر مشخص شده است کاربرد.در نتیجه باینری مدل روی ، من از روش ناقص خود استفاده می کنم مدل هایی برای آرامش فرض انتخاب بخش روی و توصیف مجموعه ای از نتیجه پتانسیل باینری به عنوان یک polyhedron.

We examine the impact of annual hours worked on annual earnings by decomposing changes in the real annual earnings distribution into composition, structural and hours effects. We do so via a nonseparable simultaneous model of hours, wages and earnings. Using the Current Population Survey for the survey years 1976--2019, we find that changes in the female distribution of annual hours of work are important in explaining movements in inequality in female annual earnings. This captures the substantial changes in their employment behavior over this period. Movements in the male hours distribution only affect the lower part of their earnings distribution and reflect the sensitivity of these workers' annual hours of work to cyclical factors.

ما تأثیر ساعات سالانه کار شده بر روی درآمد سالانه را بررسی می کنیم تجزیه تغییرات در توزیع درآمد سالانه واقعی به ترکیب ، اثرات ساختاری و ساعت.ما این کار را از طریق یک مدل همزمان غیر قابل تفکیک انجام می دهیم ساعت ، دستمزد و درآمد.با استفاده از بررسی جمعیت فعلی برای بررسی سالهای 1976-2019 ، می فهمیم که تغییرات در توزیع زن سالانه ساعت کار در توضیح حرکات نابرابری در زن مهم است درآمد سالانهاین تغییرات اساسی در اشتغال آنها را ضبط می کند رفتار در این دوره.حرکات در توزیع ساعتهای مرد فقط تأثیر می گذارد قسمت پایین توزیع درآمد آنها و نشان دهنده حساسیت است ساعت کار سالانه این کارگران به عوامل چرخه ای.

This paper combines causal mediation analysis with double machine learning to control for observed confounders in a data-driven way under a selection-on-observables assumption in a high-dimensional setting. We consider the average indirect effect of a binary treatment operating through an intermediate variable (or mediator) on the causal path between the treatment and the outcome, as well as the unmediated direct effect. Estimation is based on efficient score functions, which possess a multiple robustness property w.r.t. misspecifications of the outcome, mediator, and treatment models. This property is key for selecting these models by double machine learning, which is combined with data splitting to prevent overfitting in the estimation of the effects of interest. We demonstrate that the direct and indirect effect estimators are asymptotically normal and root-n consistent under specific regularity conditions and investigate the finite sample properties of the suggested methods in a simulation study when considering lasso as machine learner. We also provide an empirical application to the U.S. National Longitudinal Survey of Youth, assessing the indirect effect of health insurance coverage on general health operating via routine checkups as mediator, as well as the direct effect. We find a moderate short term effect of health insurance coverage on general health which is, however, not mediated by routine checkups.

در این مقاله تجزیه و تحلیل واسطه گری علّی با یادگیری ماشین مضاعف به کنترل برای مخدوشان مشاهده شده به روش داده محور تحت فرض انتخاب بر روی obsinvables در یک محیط با ابعاد بالا.ما در نظر داریم میانگین اثر غیرمستقیم یک درمان باینری که از طریق متغیر میانی (یا واسطه) در مسیر علّی بین درمان و نتیجه ، و همچنین اثر مستقیم بی واسطه.تخمین مبتنی بر است در توابع نمره کارآمد ، که دارای یک خاصیت قوی است W.R.T.مشخصات غلط نتیجه ، واسطه و مدلهای درمانی.این ویژگی برای انتخاب این مدل ها توسط Double Machine Learning مهم است ، یعنی همراه با تقسیم داده ها برای جلوگیری از بیش از حد در تخمین اثرات علاقه.ما نشان می دهیم که اثر مستقیم و غیرمستقیم برآوردگرها از نظر غیر عادی طبیعی هستند و root-n به طور خاص سازگار هستند شرایط منظم را بررسی کنید و خصوصیات نمونه محدود را بررسی کنید روشهای پیشنهادی در یک مطالعه شبیه سازی هنگام در نظر گرفتن لاسو به عنوان دستگاه یادگیرندهما همچنین یک برنامه تجربی به ایالات متحده ملی ارائه می دهیم بررسی طولی جوانان ، ارزیابی اثر غیرمستقیم بیمه درمانی پوشش بهداشت عمومی از طریق معاینات روتین به عنوان واسطه نیز کار می کند به عنوان اثر مستقیمما یک اثر کوتاه مدت متوسط از بیمه درمانی می یابیم پوشش بر سلامت عمومی که با این وجود با معاینات روتین واسطه نمی شود.

Alternative data sets are widely used for macroeconomic nowcasting together with machine learning--based tools. The latter are often applied without a complete picture of their theoretical nowcasting properties. Against this background, this paper proposes a theoretically grounded nowcasting methodology that allows researchers to incorporate alternative Google Search Data (GSD) among the predictors and that combines targeted preselection, Ridge regularization, and Generalized Cross Validation. Breaking with most existing literature, which focuses on asymptotic in-sample theoretical properties, we establish the theoretical out-of-sample properties of our methodology and support them by Monte-Carlo simulations. We apply our methodology to GSD to nowcast GDP growth rate of several countries during various economic periods. Our empirical findings support the idea that GSD tend to increase nowcasting accuracy, even after controlling for official variables, but that the gain differs between periods of recessions and of macroeconomic stability.

مجموعه داده های جایگزین به طور گسترده ای برای nowcasting کلان در کنار هم استفاده می شود با ابزارهای مبتنی بر یادگیری ماشین.دومی اغلب بدون a اعمال می شود تصویر کاملی از ویژگی های نظری Nowcasting آنها.در برابر این پیشینه ، این مقاله یک روش تئوری مبتنی بر اکنون ارائه می دهد که به محققان اجازه می دهد تا داده های جستجوی جایگزین Google (GSD) را درج کنند در میان پیش بینی کننده ها و ترکیب پیش بینی هدفمند ، ریج منظم سازی و اعتبار سنجی متقابل.شکستن با بیشتر موجود ادبیات ، که بر خصوصیات نظری در نمونه بدون علامت متمرکز است ، ما خصوصیات نظری خارج از نمونه روش شناسی ما را ایجاد کنید و از آنها با شبیه سازی مونت کارلو پشتیبانی کنید.ما روش خود را در GSD به کار می بریم نرخ رشد تولید ناخالص داخلی Nowcast در چندین کشور در دوره های مختلف اقتصادی. یافته های تجربی ما از این ایده پشتیبانی می کند که GSD تمایل به افزایش Nowcasting دارد دقت ، حتی پس از کنترل متغیرهای رسمی ، اما این سود بین دوره های رکود اقتصادی و ثبات کلان اقتصادی متفاوت است.

In this paper, we estimate and leverage latent constant group structure to generate the point, set, and density forecasts for short dynamic panel data. We implement a nonparametric Bayesian approach to simultaneously identify coefficients and group membership in the random effects which are heterogeneous across groups but fixed within a group. This method allows us to flexibly incorporate subjective prior knowledge on the group structure that potentially improves the predictive accuracy. In Monte Carlo experiments, we demonstrate that our Bayesian grouped random effects (BGRE) estimators produce accurate estimates and score predictive gains over standard panel data estimators. With a data-driven group structure, the BGRE estimators exhibit comparable accuracy of clustering with the Kmeans algorithm and outperform a two-step Bayesian grouped estimator whose group structure relies on Kmeans. In the empirical analysis, we apply our method to forecast the investment rate across a broad range of firms and illustrate that the estimated latent group structure improves forecasts relative to standard panel data estimators.

در این مقاله ، ما ساختار گروه ثابت نهفته را تخمین زده و از آن استفاده می کنیم پیش بینی های نقطه ، مجموعه و چگالی را برای داده های پانل پویا کوتاه ایجاد کنید.ما یک رویکرد بیزی غیرپارامتری را برای شناسایی همزمان اجرا کنید ضرایب و عضویت گروه در اثرات تصادفی که ناهمگن هستند در سراسر گروه ها اما در یک گروه ثابت شده است.این روش به ما امکان انعطاف پذیری می دهد دانش قبلی ذهنی را بر روی ساختار گروهی که به طور بالقوه وجود دارد ، بگنجانید دقت پیش بینی را بهبود می بخشد.در آزمایش های مونت کارلو ، ما نشان می دهیم که برآوردگرهای اثرات تصادفی گروهی بیزی ما (BGRE) دقیق تولید می کنند برآورد و سود پیش بینی شده نسبت به برآوردگرهای داده پانل استاندارد.با یک ساختار گروه داده محور ، برآوردگرهای BGRE دقت قابل مقایسه ای را نشان می دهند خوشه بندی با الگوریتم Kmeans و بهتر از یک بیزی دو مرحله ای برآوردگر گروه بندی شده که ساختار گروهی به Kmeans متکی است.در تجربی تجزیه و تحلیل ، ما روش خود را برای پیش بینی نرخ سرمایه گذاری در یک گسترده اعمال می کنیم طیف وسیعی از بنگاه ها و نشان می دهد که ساختار گروهی تخمین زده شده پیش بینی ها را نسبت به برآوردگرهای داده پانل استاندارد بهبود می بخشد.

We develop a Stata command xthenreg to implement the first-differenced GMM estimation of the dynamic panel threshold model, which Seo and Shin (2016, Journal of Econometrics 195: 169-186) have proposed. Furthermore, We derive the asymptotic variance formula for a kink constrained GMM estimator of the dynamic threshold model and include an estimation algorithm. We also propose a fast bootstrap algorithm to implement the bootstrap for the linearity test. The use of the command is illustrated through a Monte Carlo simulation and an economic application.

ما یک دستور stata xthenreg را برای اجرای GMM اول تمایز یافته تهیه می کنیم تخمین مدل آستانه پانل پویا ، که SEO و شین (2016 ، مجله اقتصاد سنجی 195: 169-186) پیشنهاد داده اند.علاوه بر این ، ما به دست می آوریم فرمول واریانس بدون علامت برای یک برآوردگر GMM محدود شده از پویا مدل آستانه و الگوریتم تخمین را شامل می شود.ما همچنین سریع پیشنهاد می کنیم الگوریتم bootstrap برای اجرای بوت استرپ برای آزمایش خطی.کاربرد از این فرمان از طریق شبیه سازی مونت کارلو و یک اقتصادی نشان داده شده است کاربرد.

This paper presents a novel estimator of orthogonal GARCH models, which combines (eigenvalue and -vector) targeting estimation with stepwise (univariate) estimation. We denote this the spectral targeting estimator. This two-step estimator is consistent under finite second order moments, while asymptotic normality holds under finite fourth order moments. The estimator is especially well suited for modelling larger portfolios: we compare the empirical performance of the spectral targeting estimator to that of the quasi maximum likelihood estimator for five portfolios of 25 assets. The spectral targeting estimator dominates in terms of computational complexity, being up to 57 times faster in estimation, while both estimators produce similar out-of-sample forecasts, indicating that the spectral targeting estimator is well suited for high-dimensional empirical applications.

در این مقاله یک برآوردگر جدید از مدل های Garch متعامد ارائه شده است ، که تخمین هدف قرار دادن (مقادیر ویژه و -بردار) را با گام به گام ترکیب می کند (یک متغیره) تخمین.ما این را برآوردگر هدفمند طیفی بیان می کنیم.این برآوردگر دو مرحله ای در لحظه های مرتبه دوم محدود سازگار است ، در حالی که عادی بودن بدون علامت در لحظه های مرتبه چهارم محدود است.برآوردگر است به خصوص برای مدل سازی اوراق بهادار بزرگتر مناسب است: ما مقایسه می کنیم عملکرد تجربی برآوردگر هدفمند طیفی به عملکرد شبه حداکثر برآوردگر احتمال برای پنج پرتفوی 25 دارایی.طیف هدف قرار دادن برآوردگر از نظر پیچیدگی محاسباتی حاکم است ، 57 برابر سریعتر از تخمین ، در حالی که هر دو برآوردگر مشابه تولید می کنند پیش بینی های خارج از نمونه ، نشان می دهد که برآوردگر هدفمند طیفی است مناسب برای برنامه های تجربی با ابعاد بالا.

We study the effects of counterfactual teacher-to-classroom assignments on average student achievement in elementary and middle schools in the US. We use the Measures of Effective Teaching (MET) experiment to semiparametrically identify the average reallocation effects (AREs) of such assignments. Our findings suggest that changes in within-district teacher assignments could have appreciable effects on student achievement. Unlike policies which require hiring additional teachers (e.g., class-size reduction measures), or those aimed at changing the stock of teachers (e.g., VAM-guided teacher tenure policies), alternative teacher-to-classroom assignments are resource neutral; they raise student achievement through a more efficient deployment of existing teachers.

ما اثرات تکالیف معلم به کلاس در حال مطالعه بر روی متوسط پیشرفت دانش آموزان در مدارس ابتدایی و راهنمایی در ایالات متحده.ما استفاده می کنیم اقدامات آموزش مؤثر (MET) به صورت نیمهرامی میانگین اثرات جابجایی (ARES) چنین تکالیفی را مشخص کنید.ما یافته ها حاکی از آن است که تغییرات در تکالیف معلمان در منطقه می تواند داشته باشد تأثیرات قابل توجه بر پیشرفت دانش آموزان.برخلاف سیاست هایی که نیاز دارند استخدام معلمان اضافی (به عنوان مثال ، اقدامات کاهش اندازه کلاس) یا مواردی با هدف تغییر سهام معلمان (به عنوان مثال ، تصدی معلمان با هدایت VAM خط مشی) ، تکالیف جایگزین معلم به کلاس ، منابع خنثی هستند. آنها پیشرفت دانشجویی را از طریق استقرار کارآمدتر موجود افزایش می دهند معلمان

This paper studies optimal decision rules, including estimators and tests, for weakly identified GMM models. We derive the limit experiment for weakly identified GMM, and propose a theoretically-motivated class of priors which give rise to quasi-Bayes decision rules as a limiting case. Together with results in the previous literature, this establishes desirable properties for the quasi-Bayes approach regardless of model identification status, and we recommend quasi-Bayes for settings where identification is a concern. We further propose weighted average power-optimal identification-robust frequentist tests and confidence sets, and prove a Bernstein-von Mises-type result for the quasi-Bayes posterior under weak identification.

این مقاله به بررسی قوانین تصمیم بهینه ، از جمله برآوردگرها و آزمایشات ، برای مدلهای GMM ضعیف شناسایی شده.ما آزمایش حد ضعیف را به دست می آوریم GMM را شناسایی کرده و یک کلاس از نظر نظری با انگیزه را پیشنهاد می کند که به عنوان یک مورد محدود کننده ، قوانین تصمیم گیری شبه Bayes را ایجاد کنید.با هم نتایج در ادبیات قبلی ، این ویژگی های مطلوب را برای آن ایجاد می کند رویکرد شبه بیت بدون در نظر گرفتن وضعیت شناسایی مدل ، و ما برای تنظیماتی که در آن شناسایی نگرانی است ، شبه خلیج را توصیه کنید.ما بیشتر پیشنهاد می کند که میانگین وزن-بهینه سازی-بهینه-روبست وزنی وزن داشته باشد آزمایش های مکرر و مجموعه های اعتماد به نفس ، و یک نوع برنشتاین-وون میس را اثبات می کند نتیجه برای خلفی شبه در زیر شناسایی ضعیف.

In this paper, we test the contribution of foreign management on firms' competitiveness. We use a novel dataset on the careers of 165,084 managers employed by 13,106 companies in the United Kingdom in the period 2009-2017. We find that domestic manufacturing firms become, on average, between 7% and 12% more productive after hiring the first foreign managers, whereas foreign-owned firms register no significant improvement. In particular, we test that previous industry-specific experience is the primary driver of productivity gains in domestic firms (15.6%), in a way that allows the latter to catch up with foreign-owned firms. Managers from the European Union are highly valuable, as they represent about half of the recruits in our data. Our identification strategy combines matching techniques, difference-in-difference, and pre-recruitment trends to challenge reverse causality. Results are robust to placebo tests and to different estimators of Total Factor Productivity. Eventually, we argue that upcoming limits to the mobility of foreign talents after the Brexit event can hamper the allocation of productive managerial resources.

در این مقاله ، ما سهم مدیریت خارجی را در بنگاهها آزمایش می کنیم ' رقابت پذیری.ما از یک مجموعه داده جدید در مشاغل 165.084 مدیر استفاده می کنیم در دوره 2009-2017 توسط 13،106 شرکت در انگلستان استخدام شده است.ما دریابید که شرکت های تولیدی داخلی به طور متوسط بین 7 تا 12 ٪ می شوند پس از استخدام اولین مدیران خارجی ، در حالی که متعلق به خارجی است شرکت ها پیشرفت قابل توجهی را ثبت نمی کنند.به طور خاص ، ما آن قبلی را آزمایش می کنیم تجربه خاص در صنعت عامل اصلی افزایش بهره وری در بنگاههای داخلی (6 /15 ٪) ، به گونه ای که به دومی اجازه می دهد تا با آن روبرو شود بنگاههای متعلق به خارجی.مدیران اتحادیه اروپا بسیار ارزشمند هستند آنها تقریباً نیمی از استخدام کنندگان را در داده های ما نشان می دهند.شناسایی ما استراتژی تکنیک های تطبیق ، تفاوت در اختلاف ، و روند قبل از جذب برای به چالش کشیدن علیت معکوس.نتایج قوی است تست های دارونما و برآوردگرهای مختلف بهره وری کل فاکتور. سرانجام ، ما استدلال می کنیم که محدودیت های آینده در تحرک استعدادهای خارجی پس از رویداد Brexit می تواند مانع تخصیص مدیریتی تولیدی شود منابع

We study treatment-effect estimation using panel data. The treatment may be non-binary, non-absorbing, and the outcome may be affected by treatment lags. We make a parallel-trends assumption, and propose event-study estimators of the effect of being exposed to a weakly higher treatment dose for $\ell$ periods. We also propose normalized estimators, that estimate a weighted average of the effects of the current treatment and its lags. We also analyze commonly-used two-way-fixed-effects regressions. Unlike our estimators, they can be biased in the presence of heterogeneous treatment effects. A local-projection version of those regressions is biased even with homogeneous effects.

ما برآورد اثر درمانی را با استفاده از داده های پانل مطالعه می کنیم.درمان ممکن است باشد غیر باینری ، غیر جذب کننده و نتیجه ممکن است تحت تأثیر تاخیر در درمان باشد. ما یک فرضیه موازی را انجام می دهیم ، و برآوردگرهای مطالعه مطالعه را پیشنهاد می کنیم تأثیر در معرض دوز درمانی ضعیف بالاتر برای دوره های $ \ $. ما همچنین برآوردگرهای عادی را پیشنهاد می کنیم ، که میانگین وزنی از آن تخمین می زند اثرات درمان فعلی و تاخیر آن.ما همچنین مورد استفاده قرار می گیریم رگرسیون عوارض دو طرفه.بر خلاف برآوردگرهای ما ، آنها می توانند در وجود اثرات درمانی ناهمگن.یک نسخه پیش بینی محلی از این رگرسیون حتی با اثرات همگن مغرضانه است.

This paper develops an empirical balancing approach for the estimation of treatment effects under two-sided noncompliance using a binary conditionally independent instrumental variable. The method weighs both treatment and outcome information with inverse probabilities to produce exact finite sample balance across instrument level groups. It is free of functional form assumptions on the outcome or the treatment selection step. By tailoring the loss function for the instrument propensity scores, the resulting treatment effect estimates exhibit both low bias and a reduced variance in finite samples compared to conventional inverse probability weighting methods. The estimator is automatically weight normalized and has similar bias properties compared to conventional two-stage least squares estimation under constant causal effects for the compliers. We provide conditions for asymptotic normality and semiparametric efficiency and demonstrate how to utilize additional information about the treatment selection step for bias reduction in finite samples. The method can be easily combined with regularization or other statistical learning approaches to deal with a high-dimensional number of observed confounding variables. Monte Carlo simulations suggest that the theoretical advantages translate well to finite samples. The method is illustrated in an empirical example.

در این مقاله یک رویکرد متعادل کننده تجربی برای تخمین ایجاد می کند اثرات درمانی تحت عدم رعایت دو طرفه با استفاده از یک باینری به طور مشروط متغیر ابزاری مستقل.این روش هم درمان و هم نتیجه می گیرد اطلاعات با احتمالات معکوس برای تولید تعادل دقیق نمونه محدود در سراسر گروه های سطح ابزار.این عاری از فرضیات فرم عملکردی است نتیجه یا مرحله انتخاب درمان.با خیاط عملکرد ضرر برای نمرات گرایش ابزار ، برآورد اثر درمانی حاصل در مقایسه با نمونه های محدود هم تعصب کم و هم واریانس کاهش یافته در نمونه های محدود روش های وزن گیری احتمال معکوس معمولی.برآوردگر است به طور خودکار وزن نرمال شده و در مقایسه با خاصیت تعصب مشابهی دارد تخمین حداقل مربعات دو مرحله ای معمولی تحت اثرات علّی ثابت برای تعارفاتما شرایطی را برای عادی بودن بدون علامت فراهم می کنیم و بهره وری نیمهرامتری و نحوه استفاده از اطلاعات اضافی را نشان می دهد در مورد مرحله انتخاب درمان برای کاهش تعصب در نمونه های محدود.در روش را می توان به راحتی با تنظیم یا یادگیری آماری دیگر ترکیب کرد رویکردهایی برای مقابله با تعداد بسیار بالایی از مخدوش مشاهده شده متغیرهاشبیه سازی مونت کارلو نشان می دهد که مزایای نظری به خوبی ترجمه کنید تا نمونه های محدود.این روش در یک تجربی نشان داده شده است مثال.

This paper considers estimation and inference for heterogeneous counterfactual effects with high-dimensional data. We propose a novel robust score for debiased estimation of the unconditional quantile regression (Firpo, Fortin, and Lemieux, 2009) as a measure of heterogeneous counterfactual marginal effects. We propose a multiplier bootstrap inference and develop asymptotic theories to guarantee the size control in large sample. Simulation studies support our theories. Applying the proposed method to Job Corps survey data, we find that a policy which counterfactually extends the duration of exposures to the Job Corps training program will be effective especially for the targeted subpopulations of lower potential wage earners.

در این مقاله تخمین و استنباط ناهمگن در نظر گرفته شده است اثرات متقابل با داده های با ابعاد بالا.ما یک رمان قوی پیشنهاد می کنیم نمره تخمین ناسازگار از رگرسیون کمی بی قید و شرط (Firpo ، Fortin ، and Lemieux ، 2009) به عنوان یک اندازه گیری از خلاف واقع ناهمگن اثرات حاشیه ای.ما یک استنباط بوت استرپ چند برابر را پیشنهاد می کنیم و توسعه می دهیم نظریه های بدون علامت برای تضمین کنترل اندازه در نمونه بزرگ.شبیه سازی مطالعات از تئوری های ما پشتیبانی می کند.استفاده از روش پیشنهادی برای بررسی سپاه شغلی داده ها ، ما می دانیم که سیاستی که به طور متضاد مدت زمان را گسترش می دهد قرار گرفتن در معرض برنامه آموزش سپاه به ویژه برای زیرمجموعهای هدفمند از درآمد دستمزد بالقوه پایین.

This paper analyzes a semiparametric model of network formation in the presence of unobserved agent-specific heterogeneity. The objective is to identify and estimate the preference parameters associated with homophily on observed attributes when the distributions of the unobserved factors are not parametrically specified. This paper offers two main contributions to the literature on network formation. First, it establishes a new point identification result for the vector of parameters that relies on the existence of a special repressor. The identification proof is constructive and characterizes a closed-form for the parameter of interest. Second, it introduces a simple two-step semiparametric estimator for the vector of parameters with a first-step kernel estimator. The estimator is computationally tractable and can be applied to both dense and sparse networks. Moreover, I show that the estimator is consistent and has a limiting normal distribution as the number of individuals in the network increases. Monte Carlo experiments demonstrate that the estimator performs well in finite samples and in networks with different levels of sparsity.

در این مقاله یک مدل نیمهرامتری از تشکیل شبکه در حضور ناهمگونی خاص عامل.هدف این است که پارامترهای اولویت مرتبط با هموفیلی را در آن شناسایی و تخمین بزنید ویژگی های مشاهده شده هنگامی که توزیع فاکتورهای غیرقابل محافظت نیست به صورت پارامتری مشخص شده است.در این مقاله دو سهم اصلی به ادبیات در مورد شکل گیری شبکه.اول ، این یک نکته جدید را تعیین می کند نتیجه شناسایی برای بردار پارامترهایی که به وجود متکی هستند از یک سرکوبگر ویژه.اثبات شناسایی سازنده است و یک شکل بسته برای پارامتر مورد علاقه مشخص می کند.دوم ، آن یک برآوردگر نیمه مرحله ای دو مرحله ای ساده برای بردار از پارامترهای با برآوردگر هسته مرحله اول.برآوردگر از نظر محاسباتی است قابل استفاده است و می تواند در هر دو شبکه متراکم و پراکنده اعمال شود.علاوه بر این ، من نشان می دهد که برآوردگر سازگار است و توزیع عادی محدود دارد تعداد افراد در شبکه افزایش می یابد.آزمایش های مونت کارلو نشان می دهد که برآوردگر در نمونه های محدود و شبکه ها عملکرد خوبی دارد با سطوح مختلف کمبود.

This paper characterises dynamic linkages arising from shocks with heterogeneous degrees of persistence. Using frequency domain techniques, we introduce measures that identify smoothly varying links of a transitory and persistent nature. Our approach allows us to test for statistical differences in such dynamic links. We document substantial differences in transitory and persistent linkages among US financial industry volatilities, argue that they track heterogeneously persistent sources of systemic risk, and thus may serve as a useful tool for market participants.

این مقاله ارتباطات پویا ناشی از شوک را مشخص می کند درجه های ناهمگن ماندگاری.با استفاده از تکنیک های دامنه فرکانس ، ما اقداماتی را معرفی کنید که پیوندهای متفاوتی از یک گذرا را مشخص می کنند و طبیعت مداومرویکرد ما به ما امکان می دهد تا تفاوتهای آماری را آزمایش کنیم در چنین پیوندهای پویا.ما تفاوتهای اساسی در گذرا و پیوندهای مداوم بین نوسانات صنعت مالی ایالات متحده ، استدلال می کنند که آنها منابع ناهمگن را به طور مداوم از خطر سیستمیک پیگیری کنید ، بنابراین ممکن است خدمت کند به عنوان ابزاری مفید برای شرکت کنندگان در بازار.

This paper studies the latent index representation of the conditional LATE model, making explicit the role of covariates in treatment selection. We find that if the directions of the monotonicity condition are the same across all values of the conditioning covariate, which is often assumed in the literature, then the treatment choice equation has to satisfy a separability condition between the instrument and the covariate. This global representation result establishes testable restrictions imposed on the way covariates enter the treatment choice equation. We later extend the representation theorem to incorporate multiple ordered levels of treatment.

در این مقاله به بررسی نمایه شاخص نهفته از اواخر مشروط می پردازیم مدل ، نقش متغیرهای متغیر را در انتخاب درمان صریح می کند.ما پیدا می کنیم که اگر جهت شرایط یکنواختی در کل یکسان باشد مقادیر متغیرهای تهویه مطبوع ، که اغلب در ادبیات فرض می شود ، سپس معادله انتخاب درمان باید شرایط جدایی را برآورده کند بین ساز و متغیر متغیر.این نتیجه نمایندگی جهانی محدودیت های قابل آزمایش تحمیل شده در نحوه ورود متغیرهای متغیر را تعیین می کند معادله انتخاب درمان.ما بعداً قضیه بازنمایی را گسترش می دهیم شامل چندین سطح درمانی سفارش داده شده است.

I devise a novel approach to evaluate the effectiveness of fiscal policy in the short run with multi-category treatment effects and inverse probability weighting based on the potential outcome framework. This study's main contribution to the literature is the proposed modified conditional independence assumption to improve the evaluation of fiscal policy. Using this approach, I analyze the effects of government spending on the US economy from 1992 to 2019. The empirical study indicates that large fiscal contraction generates a negative effect on the economic growth rate, and small and large fiscal expansions realize a positive effect. However, these effects are not significant in the traditional multiple regression approach. I conclude that this new approach significantly improves the evaluation of fiscal policy.

من یک رویکرد جدید برای ارزیابی اثربخشی سیاست مالی در کوتاه مدت با اثرات درمانی چند طبقه و احتمال معکوس وزن بر اساس چارچوب نتیجه بالقوه.اصلی این مطالعه مشارکت در ادبیات مشروط اصلاح شده پیشنهادی است فرض استقلال برای بهبود ارزیابی سیاست مالی.با استفاده از این رویکرد ، من تأثیر هزینه های دولت بر اقتصاد ایالات متحده را از آن تجزیه و تحلیل می کنم 1992 تا 2019. مطالعه تجربی نشان می دهد که انقباض مالی بزرگ تأثیر منفی بر نرخ رشد اقتصادی و کوچک و بزرگ ایجاد می کند گسترش های مالی تأثیر مثبتی را درک می کند.با این حال ، این تأثیرات نیستند در رویکرد رگرسیون چندگانه سنتی قابل توجه است.نتیجه می گیرم که این رویکرد جدید به طور قابل توجهی ارزیابی سیاست مالی را بهبود می بخشد.

We propose using a permutation test to detect discontinuities in an underlying economic model at a known cutoff point. Relative to the existing literature, we show that this test is well suited for event studies based on time-series data. The test statistic measures the distance between the empirical distribution functions of observed data in two local subsamples on the two sides of the cutoff. Critical values are computed via a standard permutation algorithm. Under a high-level condition that the observed data can be coupled by a collection of conditionally independent variables, we establish the asymptotic validity of the permutation test, allowing the sizes of the local subsamples to be either be fixed or grow to infinity. In the latter case, we also establish that the permutation test is consistent. We demonstrate that our high-level condition can be verified in a broad range of problems in the infill asymptotic time-series setting, which justifies using the permutation test to detect jumps in economic variables such as volatility, trading activity, and liquidity. These potential applications are illustrated in an empirical case study for selected FOMC announcements during the ongoing COVID-19 pandemic.

ما پیشنهاد می کنیم با استفاده از یک آزمایش جابجایی برای تشخیص ناپیوستگی ها در یک مدل اقتصادی اساسی در یک نقطه قطع شناخته شده.نسبت به موجود ادبیات ، ما نشان می دهیم که این آزمون برای مطالعات رویداد بر اساس مناسب است داده های سری زمانی.آمار آزمون فاصله بین توابع توزیع تجربی داده های مشاهده شده در دو نمونه محلی در دو طرف برش.مقادیر بحرانی از طریق یک استاندارد محاسبه می شوند الگوریتم جابجایی.تحت یک وضعیت سطح بالا که داده های مشاهده شده می توانند با مجموعه ای از متغیرهای مستقل از شرطی همراه می شویم ، ما ایجاد می کنیم اعتبار بدون علامت تست جابجایی ، اجازه می دهد تا اندازه های نمونه های محلی برای ثابت بودن یا رشد به بی نهایت.در مورد دوم ، ما همچنین ثابت می کنیم که آزمون جابجایی سازگار است.ما این را نشان می دهیم وضعیت سطح بالا ما را می توان در طیف گسترده ای از مشکلات در تنظیم سری زمانی بدون علامت ، که با استفاده از مجوز توجیه می شود آزمایش برای تشخیص جهش در متغیرهای اقتصادی مانند نوسانات ، تجارت فعالیت و نقدینگی.این برنامه های بالقوه در یک نشان داده شده است مطالعه موردی تجربی برای اعلامیه های انتخاب شده FOMC در طول ادامه پاندمی کووید 19.

Mean, median, and mode are three essential measures of the centrality of probability distributions. In program evaluation, the average treatment effect (mean) and the quantile treatment effect (median) have been intensively studied in the past decades. The mode treatment effect, however, has long been neglected in program evaluation. This paper fills the gap by discussing both the estimation and inference of the mode treatment effect. I propose both traditional kernel and machine learning methods to estimate the mode treatment effect. I also derive the asymptotic properties of the proposed estimators and find that both estimators follow the asymptotic normality but with the rate of convergence slower than the regular rate $\sqrt{N}$, which is different from the rates of the classical average and quantile treatment effect estimators.

میانگین ، متوسط و حالت سه اقدام اساسی از مرکزیت است توزیع احتمال.در ارزیابی برنامه ، میانگین اثر درمانی (میانگین) و اثر درمانی کمی (میانه) به شدت مورد مطالعه قرار گرفته است در دهه های گذشتهبا این حال ، اثر درمان حالت مدتهاست در ارزیابی برنامه غفلت شده است.این مقاله با بحث در مورد هر دو ، شکاف را پر می کند تخمین و استنباط اثر درمان حالت.من هر دو را پیشنهاد می کنم روشهای سنتی هسته و روشهای یادگیری ماشین برای برآورد درمان حالت اثرمن همچنین خصوصیات بدون علامت برآوردگرهای پیشنهادی را به دست می آورم و دریابید که هر دو برآوردگر از عادی بودن بدون علامت استفاده می کنند اما با نرخ همگرایی کندتر از نرخ معمولی $ \ sqrt {n} $ ، که با آن متفاوت است نرخ برآوردگرهای تأثیر متوسط و درمان کلاسیک.

The multinomial probit model is a popular tool for analyzing choice behaviour as it allows for correlation between choice alternatives. Because current model specifications employ a full covariance matrix of the latent utilities for the choice alternatives, they are not scalable to a large number of choice alternatives. This paper proposes a factor structure on the covariance matrix, which makes the model scalable to large choice sets. The main challenge in estimating this structure is that the model parameters require identifying restrictions. We identify the parameters by a trace-restriction on the covariance matrix, which is imposed through a reparametrization of the factor structure. We specify interpretable prior distributions on the model parameters and develop an MCMC sampler for parameter estimation. The proposed approach significantly improves performance in large choice sets relative to existing multinomial probit specifications. Applications to purchase data show the economic importance of including a large number of choice alternatives in consumer choice analysis.

مدل پروبیت چندمجمی ابزاری محبوب برای تجزیه و تحلیل رفتار انتخاب است همانطور که امکان همبستگی بین گزینه های انتخابی را فراهم می کند.زیرا مدل فعلی مشخصات از یک ماتریس کواریانس کامل از خدمات نهفته برای گزینه های انتخابی ، آنها برای تعداد زیادی انتخاب قابل مقیاس نیستند جایگزین، گزینه ها.در این مقاله یک ساختار عاملی در ماتریس کواریانس ارائه شده است ، که باعث می شود مدل در مجموعه های انتخابی بزرگ مقیاس پذیر باشد.چالش اصلی در تخمین این ساختار این است که پارامترهای مدل نیاز به شناسایی دارند محدودیت های.ما پارامترها را با یک ردیابی ردیابی در ماتریس کواریانس ، که از طریق بازپرداخت فاکتور تحمیل می شود ساختارما توزیع های قبلی قابل تفسیر را در پارامترهای مدل مشخص می کنیم و یک نمونه MCMC را برای برآورد پارامتر تهیه کنید.رویکرد پیشنهادی به طور قابل توجهی عملکرد در مجموعه های انتخابی بزرگ را نسبت به موجود بهبود می بخشد مشخصات پروبیت چندمیک.برنامه های خرید داده ها اهمیت اقتصادی شامل تعداد زیادی از گزینه های انتخابی در تجزیه و تحلیل انتخاب مصرف کننده.

Applied macroeconomists often compute confidence intervals for impulse responses using local projections, i.e., direct linear regressions of future outcomes on current covariates. This paper proves that local projection inference robustly handles two issues that commonly arise in applications: highly persistent data and the estimation of impulse responses at long horizons. We consider local projections that control for lags of the variables in the regression. We show that lag-augmented local projections with normal critical values are asymptotically valid uniformly over (i) both stationary and non-stationary data, and also over (ii) a wide range of response horizons. Moreover, lag augmentation obviates the need to correct standard errors for serial correlation in the regression residuals. Hence, local projection inference is arguably both simpler than previously thought and more robust than standard autoregressive inference, whose validity is known to depend sensitively on the persistence of the data and on the length of the horizon.

اقتصاد شناسان کاربردی اغلب فواصل اعتماد به نفس را برای ضربه محاسبه می کنند پاسخ ها با استفاده از پیش بینی های محلی ، یعنی رگرسیون مستقیم خطی آینده نتایج مربوط به متغیرهای فعلی.این مقاله ثابت می کند که پیش بینی محلی استنتاج با استحکام دو مسئله را که معمولاً در برنامه ها بوجود می آیند ، برطرف می کند: داده های بسیار مداوم و تخمین پاسخ های ضربه ای در طولانی مدت افقما پیش بینی های محلی را در نظر می گیریم که تاخیر متغیرها را کنترل می کند در رگرسیونما نشان می دهیم که پیش بینی های محلی تاخیر با عادی مقادیر بحرانی به صورت یکنواخت بدون علامت معتبر هستند (i) هم ثابت و هم داده های غیر ثابت ، و همچنین بیش از (ب) طیف گسترده ای از افق های پاسخ. علاوه بر این ، افزایش تاخیر نیاز به اصلاح خطاهای استاندارد را برطرف می کند همبستگی سریال در باقیمانده های رگرسیون.از این رو ، پیش بینی محلی استنباط مسلماً ساده تر از آنچه قبلاً تصور می شد و هم قوی تر از آن است استنباط استاندارد خودجوش ، که اعتبار آن به آن بستگی دارد با حساسیت به تداوم داده ها و طول افق.

Commonly used methods of production function and markup estimation assume that a firm's output quantity can be observed as data, but typical datasets contain only revenue, not output quantity. We examine the nonparametric identification of production function and markup from revenue data when a firm faces a general nonparametri demand function under imperfect competition. Under standard assumptions, we provide the constructive nonparametric identification of various firm-level objects: gross production function, total factor productivity, price markups over marginal costs, output prices, output quantities, a demand system, and a representative consumer's utility function.

روشهای متداول از عملکرد تولید و برآورد نشانه گذاری فرض می کنید که مقدار خروجی یک شرکت را می توان به عنوان داده مشاهده کرد ، اما مجموعه داده های معمولی فقط حاوی درآمد است ، نه مقدار خروجی.ما غیرپارامتری را بررسی می کنیم شناسایی عملکرد تولید و نشانه گذاری از داده های درآمد هنگام یک شرکت با یک عملکرد تقاضای عمومی غیر پارامتری تحت رقابت ناقص روبرو است.زیر فرضیات استاندارد ، ما شناسایی غیرپارامتری سازنده را ارائه می دهیم از اشیاء مختلف سطح شرکت: عملکرد تولید ناخالص ، عامل کل بهره وری ، نشانه گذاری قیمت بیش از هزینه های حاشیه ای ، قیمت خروجی ، بازده مقادیر ، سیستم تقاضا و عملکرد ابزار مصرف کننده نماینده.

Macroeconomists increasingly use external sources of exogenous variation for causal inference. However, unless such external instruments (proxies) capture the underlying shock without measurement error, existing methods are silent on the importance of that shock for macroeconomic fluctuations. We show that, in a general moving average model with external instruments, variance decompositions for the instrumented shock are interval-identified, with informative bounds. Various additional restrictions guarantee point identification of both variance and historical decompositions. Unlike SVAR analysis, our methods do not require invertibility. Applied to U.S. data, they give a tight upper bound on the importance of monetary shocks for inflation dynamics.

اقتصاد شناسان کلان به طور فزاینده ای از منابع خارجی تغییرات اگزوژن استفاده می کنند استنباط علیبا این حال ، مگر اینکه چنین ابزارهای خارجی (پروکسی ها) را ضبط کنند شوک اساسی بدون خطای اندازه گیری ، روشهای موجود در آن ساکت هستند اهمیت آن شوک برای نوسانات کلان اقتصادی.ما این را نشان می دهیم ، در مدل متوسط حرکت عمومی با ابزارهای خارجی ، تجزیه واریانس برای شوک ابزار شده ، با محدودیت های آموزنده مشخص شده است. محدودیت های اضافی مختلف تضمین کننده شناسایی هر دو واریانس و تجزیه تاریخیبر خلاف تجزیه و تحلیل SVAR ، روشهای ما نیازی به آن ندارند قابلیت برگشتآنها برای داده های ایالات متحده اعمال می شود ، آنها یک حد بالایی محکم در اهمیت شوک های پولی برای پویایی تورم.

Forecasters often use common information and hence make common mistakes. We propose a new approach, Factor Graphical Model (FGM), to forecast combinations that separates idiosyncratic forecast errors from the common errors. FGM exploits the factor structure of forecast errors and the sparsity of the precision matrix of the idiosyncratic errors. We prove the consistency of forecast combination weights and mean squared forecast error estimated using FGM, supporting the results with extensive simulations. Empirical applications to forecasting macroeconomic series shows that forecast combination using FGM outperforms combined forecasts using equal weights and graphical models without incorporating factor structure of forecast errors.

پیش بینی کنندگان اغلب از اطلاعات مشترک استفاده می کنند و از این رو اشتباهات متداول می کنند.ما برای پیش بینی ترکیبات یک رویکرد جدید ، مدل گرافیکی فاکتور (FGM) پیشنهاد دهید که خطاهای پیش بینی احمقانه را از خطاهای رایج جدا می کند.FGM از ساختار عاملی خطاهای پیش بینی و کمبود آن بهره برداری می کند ماتریس دقیق از خطاهای ایدیوسنکراتیک.ما ثبات را اثبات می کنیم پیش بینی وزن ترکیبی و میانگین خطای پیش بینی مربع با استفاده از FGM ، پشتیبانی از نتایج با شبیه سازی های گسترده.برنامه های تجربی پیش بینی سری کلان اقتصادی نشان می دهد که ترکیب پیش بینی با استفاده از FGM پیش بینی های ترکیبی با استفاده از وزن های برابر و مدل های گرافیکی بدون ترکیب ساختار عاملی خطاهای پیش بینی.

We use a decision-theoretic framework to study the problem of forecasting discrete outcomes when the forecaster is unable to discriminate among a set of plausible forecast distributions because of partial identification or concerns about model misspecification or structural breaks. We derive "robust" forecasts which minimize maximum risk or regret over the set of forecast distributions. We show that for a large class of models including semiparametric panel data models for dynamic discrete choice, the robust forecasts depend in a natural way on a small number of convex optimization problems which can be simplified using duality methods. Finally, we derive "efficient robust" forecasts to deal with the problem of first having to estimate the set of forecast distributions and develop a suitable asymptotic efficiency theory. Forecasts obtained by replacing nuisance parameters that characterize the set of forecast distributions with efficient first-stage estimators can be strictly dominated by our efficient robust forecasts.

ما برای مطالعه مشکل پیش بینی از یک چارچوب تصمیم گیری نظری استفاده می کنیم نتایج گسسته هنگامی که پیش بینی قادر به تبعیض بین مجموعه ای از آنها نیست توزیع پیش بینی قابل قبول به دلیل شناسایی جزئی یا نگرانی در مورد غلط سازی مدل یا استراحت ساختاری.ما پیش بینی های "قوی" را استخراج می کنیم که حداکثر خطر یا پشیمانی را نسبت به مجموعه توزیع های پیش بینی به حداقل می رساند. ما نشان می دهیم که برای یک کلاس بزرگ از مدل ها از جمله داده های پانل نیمهرامتری مدل هایی برای انتخاب گسسته پویا ، پیش بینی های قوی به یک طبیعی بستگی دارد در تعداد کمی از مشکلات بهینه سازی محدب که می تواند ساده شود با استفاده از روشهای دوگانگی.سرانجام ، ما پیش بینی های "کارآمد قوی" را برای معامله انجام می دهیم با مشکل اول باید مجموعه توزیع های پیش بینی را تخمین بزنید و یک تئوری کارآیی بدون علامت مناسب را توسعه دهید.پیش بینی های به دست آمده توسط جایگزینی پارامترهای مزاحمت که مجموعه پیش بینی را توصیف می کنند توزیع با برآوردگرهای مرحله اول کارآمد می تواند کاملاً حاکم باشد با پیش بینی های قوی ما.

Following in the footsteps of the literature on empirical welfare maximization, this paper wants to contribute by stressing the policymaker perspective via a practical illustration of an optimal policy assignment problem. More specifically, by focusing on the class of threshold-based policies, we first set up the theoretical underpinnings of the policymaker selection problem, to then offer a practical solution to this problem via an empirical illustration using the popular LaLonde (1986) training program dataset. The paper proposes an implementation protocol for the optimal solution that is straightforward to apply and easy to program with standard statistical software.

به دنبال پله های ادبیات مربوط به رفاه تجربی حداکثر رساندن ، این مقاله می خواهد با تأکید بر سیاست گذار مشارکت کند چشم انداز از طریق یک تصویر عملی از یک تکلیف بهینه سیاست مسئله.به طور خاص ، با تمرکز بر کلاس آستانه مبتنی بر سیاست ها ، ما ابتدا زیربناهای نظری سیاست گذار را تنظیم کردیم مشکل انتخاب ، برای ارائه یک راه حل عملی برای این مشکل از طریق تصویر تجربی با استفاده از برنامه آموزشی محبوب Lalonde (1986) مجموعه دادهاین مقاله پروتکل اجرای راه حل بهینه را پیشنهاد می کند این کار ساده است و برنامه ریزی آن با آماری استاندارد آسان است نرم افزار.

This paper studies identification of the effect of a mis-classified, binary, endogenous regressor when a discrete-valued instrumental variable is available. We begin by showing that the only existing point identification result for this model is incorrect. We go on to derive the sharp identified set under mean independence assumptions for the instrument and measurement error. The resulting bounds are novel and informative, but fail to point identify the effect of interest. This motivates us to consider alternative and slightly stronger assumptions: we show that adding second and third moment independence assumptions suffices to identify the model.

در این مقاله به بررسی تأثیر اثر یک طبقه بندی شده طبقه بندی شده ، باینری ، رگرسیون درون زا هنگامی که یک متغیر ابزاری با ارزش گسسته در دسترس است. ما با نشان دادن اینکه تنها نتیجه شناسایی نقطه موجود برای این کار شروع می کنیم مدل نادرست است.ما در ادامه می خواهیم مجموعه تیز مشخص شده تحت میانگین را بدست آوریم فرضیات استقلال برای ابزار و خطای اندازه گیری.در مرزهای حاصل جدید و آموزنده هستند ، اما نتوانند به آن اشاره کنند تأثیر علاقه.این به ما انگیزه می دهد که جایگزین و کمی در نظر بگیریم فرضیات قوی تر: ما نشان می دهیم که اضافه کردن استقلال لحظه دوم و سوم فرضیات برای شناسایی مدل کافی است.

This study considers the treatment choice problem when outcome variables are binary. We focus on statistical treatment rules that plug in fitted values based on nonparametric kernel regression and show that optimizing two parameters enables the calculation of the maximum regret. Using this result, we propose a novel bandwidth selection method based on the minimax regret criterion. Finally, we perform a numerical analysis to compare the optimal bandwidth choices for the binary and normally distributed outcomes.

این مطالعه مشکل انتخاب درمان را هنگام متغیرهای نتیجه در نظر می گیرد دودویی.ما روی قوانین درمانی آماری تمرکز می کنیم که به مقادیر متناسب وصل می شوند بر اساس رگرسیون هسته غیر پارامتری و نشان دادن اینکه بهینه سازی دو پارامترها محاسبه حداکثر پشیمانی را امکان پذیر می کند.با استفاده از این نتیجه ، ما یک روش انتخاب پهنای باند جدید را بر اساس پشیمانی Minimax پیشنهاد دهید معیارسرانجام ، ما یک تجزیه و تحلیل عددی را برای مقایسه بهینه انجام می دهیم گزینه های پهنای باند برای نتایج باینری و به طور معمول توزیع شده.

To estimate causal effects from observational data, an applied researcher must impose beliefs. The instrumental variables exclusion restriction, for example, represents the belief that the instrument has no direct effect on the outcome of interest. Yet beliefs about instrument validity do not exist in isolation. Applied researchers often discuss the likely direction of selection and the potential for measurement error in their articles but lack formal tools for incorporating this information into their analyses. Failing to use all relevant information not only leaves money on the table; it runs the risk of leading to a contradiction in which one holds mutually incompatible beliefs about the problem at hand. To address these issues, we first characterize the joint restrictions relating instrument invalidity, treatment endogeneity, and non-differential measurement error in a workhorse linear model, showing how beliefs over these three dimensions are mutually constrained by each other and the data. Using this information, we propose a Bayesian framework to help researchers elicit their beliefs, incorporate them into estimation, and ensure their mutual coherence. We conclude by illustrating our framework in a number of examples drawn from the empirical microeconomics literature.

برای برآورد اثرات علی از داده های مشاهده ای ، یک محقق کاربردی باید اعتقادات را تحمیل کند.محدودیت محرومیت متغیرهای ابزاری ، برای به عنوان مثال ، این عقیده را نشان می دهد که ابزار هیچ تأثیر مستقیمی بر روی آن ندارد نتیجه علاقهبا این حال اعتقادات در مورد اعتبار ابزار وجود ندارد انزوامحققان کاربردی اغلب در مورد جهت احتمالی انتخاب بحث می کنند و پتانسیل خطای اندازه گیری در مقالات آنها اما فاقد ابزارهای رسمی است برای ترکیب این اطلاعات در تحلیل های آنها.عدم استفاده از همه اطلاعات مربوطه نه تنها پول را روی میز می گذارد.خطر این خطر را دارد منجر به تناقضی می شود که در آن فرد باورهای متقابل ناسازگار دارد در مورد مشکل در دستبرای پرداختن به این موضوعات ، ابتدا توصیف می کنیم محدودیت های مشترک مربوط به عدم اعتبار ابزار ، درون زایی درمان و خطای اندازه گیری غیر متفاوت در یک مدل خطی اسب بخار ، نشان می دهد اعتقادات بیش از این سه بعد توسط یکدیگر محدود می شوند و داده.با استفاده از این اطلاعات ، ما یک چارچوب بیزی برای کمک به شما پیشنهاد می کنیم محققان اعتقادات خود را استخراج می کنند ، آنها را در تخمین می گیرند و اطمینان حاصل می کنند انسجام متقابل آنها.ما با نشان دادن چارچوب خود در یک شماره نتیجه می گیریم نمونه هایی که از ادبیات میکرو اقتصاد تجربی گرفته شده است.

In this paper we propose a semi-parametric Bayesian Generalized Least Squares estimator. In a generic setting where each error is a vector, the parametric Generalized Least Square estimator maintains the assumption that each error vector has the same distributional parameters. In reality, however, errors are likely to be heterogeneous regarding their distributions. To cope with such heterogeneity, a Dirichlet process prior is introduced for the distributional parameters of the errors, leading to the error distribution being a mixture of a variable number of normal distributions. Our method let the number of normal components be data driven. Semi-parametric Bayesian estimators for two specific cases are then presented: the Seemingly Unrelated Regression for equation systems and the Random Effects Model for panel data. We design a series of simulation experiments to explore the performance of our estimators. The results demonstrate that our estimators obtain smaller posterior standard deviations and mean squared errors than the Bayesian estimators using a parametric mixture of normal distributions or a normal distribution. We then apply our semi-parametric Bayesian estimators for equation systems and panel data models to empirical data.

در این مقاله ما یک میادین کمترین تعمیم یافته بیزی نیمه پارامتری را پیشنهاد می کنیم برآوردگردر یک تنظیم عمومی که در آن هر خطا یک بردار است ، پارامتری برآوردگر حداقل مربع تعمیم یافته این فرض را حفظ می کند وکتور دارای پارامترهای توزیع یکسان است.با این حال ، در واقعیت ، خطاها هستند احتمالاً در مورد توزیع آنها ناهمگن است.برای مقابله با چنین ناهمگونی ، یک فرآیند Dirichlet قبلی برای توزیع معرفی شده است پارامترهای خطاها ، منجر به توزیع خطا ترکیبی از تعداد متغیر توزیع عادی.روش ما به تعداد عادی اجازه می دهد مؤلفه ها داده می شوند.برآوردگرهای بیزی نیمه پارامتری برای دو خاص سپس موارد ارائه می شود: رگرسیون به ظاهر نامربوط برای معادله سیستم ها و مدل جلوه های تصادفی برای داده های پانل.ما یک سری از آزمایش های شبیه سازی برای کشف عملکرد برآوردگرهای ما.در نتایج نشان می دهد که برآوردگرهای ما استاندارد خلفی کوچکتر را بدست می آورند انحراف و میانگین خطاهای مربع نسبت به برآوردگرهای بیزی با استفاده از a مخلوط پارامتری توزیع های عادی یا توزیع عادی.سپس ما برآوردگرهای نیمه پارامتری بیزی ما را برای سیستم های معادله و پانل اعمال کنید مدل های داده به داده های تجربی.

This paper proposes a new class of M-estimators that double weight for the twin problems of nonrandom treatment assignment and missing outcomes, both of which are common issues in the treatment effects literature. The proposed class is characterized by a `robustness' property, which makes it resilient to parametric misspecification in either a conditional model of interest (for example, mean or quantile function) or the two weighting functions. As leading applications, the paper discusses estimation of two specific causal parameters; average and quantile treatment effects (ATE, QTEs), which can be expressed as functions of the doubly weighted estimator, under misspecification of the framework's parametric components. With respect to the ATE, this paper shows that the proposed estimator is doubly robust even in the presence of missing outcomes. Finally, to demonstrate the estimator's viability in empirical settings, it is applied to Calonico and Smith (2017)'s reconstructed sample from the National Supported Work training program.

در این مقاله کلاس جدیدی از تخمین های M ارائه شده است که وزن دو برابر برای مشکلات دوقلوی تکلیف درمانی غیر تصادفی و نتایج از دست رفته ، هر دو که موضوعات متداول در ادبیات اثرات درمانی هستند.کلاس پیشنهادی با یک خاصیت "استحکام" مشخص می شود ، که باعث مقاومت در برابر آن می شود غلط گیری پارامتری در هر یک از الگوی مشروط از علاقه (برای به عنوان مثال ، عملکرد متوسط یا کمی) یا دو عملکرد وزنه برداری.به عنوان رهبر برنامه ها ، مقاله در مورد تخمین دو پارامتر خاص علیت بحث می کند. اثرات درمانی متوسط و کمی (ATE ، QTES) ، که می تواند به صورت بیان شود توابع برآوردگر مضاعف وزنه بردار ، تحت اشتباه اشتباه اجزای پارامتری چارچوب.با توجه به خوردن ، این مقاله نشان می دهد که برآوردگر پیشنهادی حتی در حضور مفقود شده ، دو برابر قوی است عواقب.سرانجام ، برای نشان دادن زنده ماندن برآوردگر در تجربی تنظیمات ، آن را برای نمونه بازسازی شده Calonico و Smith (2017) اعمال می شود از برنامه آموزش کار پشتیبانی ملی.

This paper develops a first-stage linear regression representation for the instrumental variables (IV) quantile regression (QR) model. The quantile first-stage is analogous to the least squares case, i.e., a linear projection of the endogenous variables on the instruments and other exogenous covariates, with the difference that the QR case is a weighted projection. The weights are given by the conditional density function of the innovation term in the QR structural model, conditional on the endogeneous and exogenous covariates, and the instruments as well, at a given quantile. We also show that the required Jacobian identification conditions for IVQR models are embedded in the quantile first-stage. We then suggest inference procedures to evaluate the adequacy of instruments by evaluating their statistical significance using the first-stage result. The test is developed in an over-identification context, since consistent estimation of the weights for implementation of the first-stage requires at least one valid instrument to be available. Monte Carlo experiments provide numerical evidence that the proposed tests work as expected in terms of empirical size and power in finite samples. An empirical application illustrates that checking for the statistical significance of the instruments at different quantiles is important. The proposed procedures may be specially useful in QR since the instruments may be relevant at some quantiles but not at others.

این مقاله یک نمایشگر رگرسیون خطی مرحله اول را برای متغیرهای ابزاری (IV) مدل رگرسیون کمی (QR).کمی مرحله اول مشابه مورد حداقل مربعات است ، یعنی یک طرح ریزی خطی از متغیرهای درون زا روی سازها و سایر متغیرهای اگزوژن ، با این تفاوت که مورد QR یک پیش بینی وزنی است.وزنه ها هستند داده شده توسط عملکرد چگالی شرطی اصطلاح نوآوری در QR مدل ساختاری ، مشروط بر متغیرهای درون زا و اگزوژن ، و ابزارها نیز در یک مقدار خاص.ما همچنین نشان می دهیم که مورد نیاز شرایط شناسایی ژاکوبیان برای مدل های IVQR در مقدار کمی تعبیه شده است مرحله اول.سپس روشهای استنباط را برای ارزیابی کفایت پیشنهاد می کنیم ابزارها با ارزیابی اهمیت آماری آنها با استفاده از مرحله اول نتیجهاین آزمایش در یک زمینه بیش از حد شناسایی شده است ، از آنجا که تخمین مداوم از وزنهای برای اجرای مرحله اول حداقل به یک ابزار معتبر در دسترس است.آزمایش های مونت کارلو شواهد عددی ارائه دهید که آزمایشات پیشنهادی همانطور که انتظار می رود کار می کنند اندازه و قدرت تجربی در نمونه های محدود.یک برنامه تجربی نشان می دهد که بررسی اهمیت آماری ابزارها در مقادیر مختلف مهم است.روشهای پیشنهادی ممکن است به طور خاص باشد در QR مفید است زیرا سازها ممکن است در بعضی از مقادیر مرتبط باشند اما در آن نیستند دیگران.

How much do individuals contribute to team output? I propose an econometric framework to quantify individual contributions when only the output of their teams is observed. The identification strategy relies on following individuals who work in different teams over time. I consider two production technologies. For a production function that is additive in worker inputs, I propose a regression estimator and show how to obtain unbiased estimates of variance components that measure the contributions of heterogeneity and sorting. To estimate nonlinear models with complementarity, I propose a mixture approach under the assumption that individual types are discrete, and rely on a mean-field variational approximation for estimation. To illustrate the methods, I estimate the impact of economists on their research output, and the contributions of inventors to the quality of their patents.

افراد چقدر در تولید تیم نقش دارند؟من یک اقتصاد سنجی پیشنهاد می کنم چارچوب برای تعیین کمیت مشارکتهای فردی در هنگام بازده آنها تیم ها مشاهده می شوند.استراتژی شناسایی به افراد زیر متکی است که با گذشت زمان در تیم های مختلف کار می کنند.من دو فناوری تولید را در نظر می گیرم. برای یک عملکرد تولید که در ورودی های کارگران افزودنی است ، من پیشنهاد می کنم برآوردگر رگرسیون و نحوه به دست آوردن برآوردهای بی طرفانه از واریانس مؤلفه هایی که سهم ناهمگونی و مرتب سازی را اندازه می گیرند.به مدل های غیرخطی را با مکمل تخمین بزنید ، من یک روش مخلوط را پیشنهاد می کنم با این فرض که انواع فردی گسسته هستند و به یک اعتماد دارند تقریب تغییر میدان میانگین برای تخمین.برای نشان دادن روش ها ، من تأثیر اقتصاددانان را در بازده تحقیق آنها و کمک های مخترعین به کیفیت ثبت اختراعات آنها.

This paper studies the joint inference on conditional volatility parameters and the innovation moments by means of bootstrap to test for the existence of moments for GARCH(p,q) processes. We propose a residual bootstrap to mimic the joint distribution of the quasi-maximum likelihood estimators and the empirical moments of the residuals and also prove its validity. A bootstrap-based test for the existence of moments is proposed, which provides asymptotically correctly-sized tests without losing its consistency property. It is simple to implement and extends to other GARCH-type settings. A simulation study demonstrates the test's size and power properties in finite samples and an empirical application illustrates the testing approach.

در این مقاله استنتاج مشترک در پارامترهای نوسانات مشروط بررسی شده است و لحظه های نوآوری با استفاده از بوت استرپ برای آزمایش وجود لحظاتی برای فرآیندهای گارچ (P ، Q).ما یک بوت استستراپ باقیمانده را برای تقلید پیشنهاد می کنیم توزیع مشترک از برآوردگرهای شبه حداکثر و تجربی لحظات باقیمانده و همچنین اعتبار آن را اثبات می کند.یک تست مبتنی بر بوت استرپ برای وجود لحظات ارائه شده است ، که به صورت بدون علامت ارائه می دهد آزمایشات به اندازه صحیح بدون از دست دادن خاصیت قوام آن.ساده است پیاده سازی و گسترش به سایر تنظیمات نوع Garch.یک مطالعه شبیه سازی اندازه و خصوصیات تست را در نمونه های محدود و یک تست نشان می دهد برنامه تجربی رویکرد آزمایش را نشان می دهد.

We study discrete panel data methods where unobserved heterogeneity is revealed in a first step, in environments where population heterogeneity is not discrete. We focus on two-step grouped fixed-effects (GFE) estimators, where individuals are first classified into groups using kmeans clustering, and the model is then estimated allowing for group-specific heterogeneity. Our framework relies on two key properties: heterogeneity is a function - possibly nonlinear and time-varying - of a low-dimensional continuous latent type, and informative moments are available for classification. We illustrate the method in a model of wages and labor market participation, and in a probit model with time-varying heterogeneity. We derive asymptotic expansions of two-step GFE estimators as the number of groups grows with the two dimensions of the panel. We propose a data-driven rule for the number of groups, and discuss bias reduction and inference.

ما روشهای داده پانل گسسته را مطالعه می کنیم که ناهمگونی بدون نظارت است در مرحله اول ، در محیط هایی که ناهمگونی جمعیت نیست ، آشکار شد گسسته.ما روی برآوردگرهای اثر ثابت گروهی دو مرحله ای (GFE) تمرکز می کنیم ، که در آن افراد ابتدا با استفاده از خوشه بندی KMeans به گروههایی طبقه بندی می شوند و سپس مدل تخمین زده می شود که ناهمگونی خاص گروه را فراهم می کند.ما چارچوب به دو ویژگی اصلی متکی است: ناهمگونی یک تابع است - احتمالاً متغیر غیرخطی و متغیر-از یک نوع پنهان مداوم کم بعدی ، و لحظات آموزنده برای طبقه بندی در دسترس است.ما روش را نشان می دهیم در یک مدل از دستمزدها و مشارکت در بازار کار ، و در یک مدل مشروط با ناهمگونی متغیر زمان.ما از گسترش بدون علامت GFE دو مرحله ای استفاده می کنیم برآوردگرها به عنوان تعداد گروه ها با دو بعد پانل رشد می کنند. ما یک قانون داده محور را برای تعداد گروه ها پیشنهاد می کنیم و در مورد تعصب بحث می کنیم کاهش و استنباط.