Datasets:

mabidan

/

econ_paper_abstracts_fa_translation

like 1

An important goal of empirical demand analysis is choice and welfare prediction on counterfactual budget sets arising from potential policy-interventions. Such predictions are more credible when made without arbitrary functional-form/distributional assumptions, and instead based solely on economic rationality, i.e. that choice is consistent with utility maximization by a heterogeneous population. This paper investigates nonparametric economic rationality in the empirically important context of binary choice. We show that under general unobserved heterogeneity, economic rationality is equivalent to a pair of Slutsky-like shape-restrictions on choice-probability functions. The forms of these restrictions differ from Slutsky-inequalities for continuous goods. Unlike McFadden-Richter's stochastic revealed preference, our shape-restrictions (a) are global, i.e. their forms do not depend on which and how many budget-sets are observed, (b) are closed-form, hence easy to impose on parametric/semi/non-parametric models in practical applications, and (c) provide computationally simple, theory-consistent bounds on demand and welfare predictions on counterfactual budget-sets.

هدف مهم تجزیه و تحلیل تقاضای تجربی انتخاب و رفاه است پیش بینی مجموعه های بودجه ضد خلاف ناشی از پتانسیل مداخلات سیاست.چنین پیش بینی هایی در صورت ساخت بدون اعتبار بیشتر است فرضیات عملکردی/توزیع عملکردی دلخواه ، و در عوض فقط مبتنی بر در مورد عقلانیت اقتصادی ، یعنی اینکه انتخاب با ابزار سازگار است حداکثر رساندن توسط یک جمعیت ناهمگن.در این مقاله بررسی شده است عقلانیت اقتصادی غیرپارامتری در زمینه تجربی مهم انتخاب دودویی.ما نشان می دهیم که تحت ناهمگونی عمومی بدون نظارت ، اقتصادی عقلانیت معادل یک جفت آموزش شکل شلخته مانند در توابع قابلیت انتخاب.اشکال این محدودیت ها متفاوت است Slutsky-Inselections برای کالاهای مداوم.برخلاف تصادفی McFadden-Richter ترجیح فاش شده ، محدودیت های شکل ما (الف) جهانی است ، یعنی اشکال آنها بستگی به این ندارد که چه تعداد مجموعه بودجه مشاهده شده است ، (ب) به صورت بسته ، از این رو تحمیل به مدل های پارامتری/نیمه/غیر پارامتری در عملی آسان است برنامه ها ، و (c) مرزهای محاسباتی ساده و سازگار با تئوری را ارائه می دهند در مورد تقاضا و پیش بینی های رفاهی در مجموعه بودجه های ضد خلاف.

McFadden's random-utility model of multinomial choice has long been the workhorse of applied research. We establish shape-restrictions under which multinomial choice-probability functions can be rationalized via random-utility models with nonparametric unobserved heterogeneity and general income-effects. When combined with an additional restriction, the above conditions are equivalent to the canonical Additive Random Utility Model. The sufficiency-proof is constructive, and facilitates nonparametric identification of preference-distributions without requiring identification-at-infinity type arguments. A corollary shows that Slutsky-symmetry, a key condition for previous rationalizability results, is equivalent to absence of income-effects. Our results imply theory-consistent nonparametric bounds for choice-probabilities on counterfactual budget-sets. They also apply to widely used random-coefficient models, upon conditioning on observable choice characteristics. The theory of partial differential equations plays a key role in our analysis.

مدل تصادفی McFadden از انتخاب چندمجمی مدتهاست که این کار بوده است کار اسب بخار تحقیقات کاربردی.ما محدودیت های شکل را در آن ایجاد می کنیم توابع قابلیت انتخاب چندمندی می تواند از طریق قابلیت تصادفی منطقی باشد مدل هایی با ناهمگونی غیر پارامتری و عوارض درآمد عمومی. هنگامی که با یک محدودیت اضافی ترکیب می شود ، شرایط فوق است معادل مدل ابزار تصادفی افزودنی متعارف.در ضد کافی سازنده است و شناسایی غیرپارامتری را تسهیل می کند توزیع های ترجیحی بدون نیاز به نوع شناسایی-در نوع بودن استدلال هانتیجه گیری نشان می دهد که تقارن اسلوتسکی ، یک شرط کلیدی برای نتایج منطقی قبلی ، معادل عدم وجود اثرات درآمد است. نتایج ما حاکی از مرزهای غیر پارامتری سازگار با تئوری برای قابلیت های انتخابی در مجموعه بودجه های ضد خلاف.آنها همچنین به طور گسترده ای اعمال می شوند از مدلهای ضریب تصادفی استفاده شده ، پس از شرط بندی در انتخاب قابل مشاهده مشخصات.نظریه معادلات دیفرانسیل جزئی نقش اساسی دارد در تحلیل ما

This paper studies estimation of linear panel regression models with heterogeneous coefficients, when both the regressors and the residual contain a possibly common, latent, factor structure. Our theory is (nearly) efficient, because based on the GLS principle, and also robust to the specification of such factor structure because it does not require any information on the number of factors nor estimation of the factor structure itself. We first show how the unfeasible GLS estimator not only affords an efficiency improvement but, more importantly, provides a bias-adjusted estimator with the conventional limiting distribution, for situations where the OLS is affected by a first-order bias. The technical challenge resolved in the paper is to show how these properties are preserved for a class of feasible GLS estimators in a double-asymptotics setting. Our theory is illustrated by means of Monte Carlo exercises and, then, with an empirical application using individual asset returns and firms' characteristics data.

در این مقاله برآورد مدل های رگرسیون پانل خطی با ضرایب ناهمگن ، هنگامی که هر دو رگرسیون و باقیمانده حاوی یک هستند احتمالاً ساختار عاملی مشترک ، نهفته.نظریه ما (تقریباً) کارآمد است ، زیرا بر اساس اصل GLS ، و همچنین به مشخصات آن قوی است چنین ساختار عاملی زیرا نیازی به اطلاعاتی در مورد شماره ندارد از عوامل و تخمین ساختار عامل خود.ما ابتدا نشان می دهیم که چگونه برآوردگر GLS غیر ممکن نه تنها بهبود کارآیی را ارائه می دهد بلکه بیشتر است نکته مهم ، یک برآوردگر تنظیم شده با تعصب را با محدودیت معمولی فراهم می کند توزیع ، برای موقعیت هایی که OLS تحت تأثیر تعصب مرتبه اول قرار می گیرد. چالش فنی که در مقاله حل شده است نشان دادن چگونگی این خصوصیات است برای یک کلاس از برآوردگرهای GLS امکان پذیر در یک علامت دوتایی حفظ می شوند تنظیمات.نظریه ما با استفاده از تمرینات مونت کارلو نشان داده شده است و بنابراین ، با یک برنامه تجربی با استفاده از بازده دارایی های فردی و شرکت ها داده های ویژگی ها.

This paper studies high-dimensional regression models with lasso when data is sampled under multi-way clustering. First, we establish convergence rates for the lasso and post-lasso estimators. Second, we propose a novel inference method based on a post-double-selection procedure and show its asymptotic validity. Our procedure can be easily implemented with existing statistical packages. Simulation results demonstrate that the proposed procedure works well in finite sample. We illustrate the proposed method with a couple of empirical applications to development and growth economics.

در این مقاله ، مدل های رگرسیون با ابعاد بالا با Lasso در هنگام داده ها مورد بررسی قرار می گیرد نمونه برداری تحت خوشه بندی چند طرفه.اول ، ما نرخ همگرایی را برای برآوردگرهای لاسو و پس از لاسو.دوم ، ما یک استنباط جدید پیشنهاد می کنیم روش مبتنی بر یک روش انتخاب پس از دو برابر و نشان دادن بدون علامت آن اعتبار.روش ما را می توان به راحتی با آماری موجود اجرا کرد بسته هانتایج شبیه سازی نشان می دهد که روش پیشنهادی به خوبی کار می کند در نمونه محدود.ما روش پیشنهادی را با یک زن و شوهر تجربی نشان می دهیم برنامه های کاربردی برای توسعه و رشد اقتصاد.

We propose a new estimation method for heterogeneous causal effects which utilizes a regression discontinuity (RD) design for multiple datasets with different thresholds. The standard RD design is frequently used in applied researches, but the result is very limited in that the average treatment effects is estimable only at the threshold on the running variable. In application studies it is often the case that thresholds are different among databases from different regions or firms. For example thresholds for scholarship differ with states. The proposed estimator based on the augmented inverse probability weighted local linear estimator can estimate the average effects at an arbitrary point on the running variable between the thresholds under mild conditions, while the method adjust for the difference of the distributions of covariates among datasets. We perform simulations to investigate the performance of the proposed estimator in the finite samples.

ما یک روش تخمین جدید برای اثرات علیت ناهمگن پیشنهاد می کنیم که از طراحی ناپیوستگی رگرسیون (RD) برای چندین مجموعه داده استفاده می کند آستانه های مختلف.طراحی استاندارد RD اغلب در کاربردی استفاده می شود تحقیقات ، اما نتیجه از نظر متوسط درمان بسیار محدود است اثرات فقط در آستانه متغیر در حال اجرا قابل تخمین است.که در مطالعات کاربردی اغلب در این صورت وجود دارد که آستانه ها در میان متفاوت هستند بانکهای اطلاعاتی از مناطق یا بنگاه های مختلف.به عنوان مثال آستانه برای بورس تحصیلی با ایالت ها متفاوت است.برآوردگر پیشنهادی بر اساس افزودنی برآوردگر خطی محلی با وزن معکوس می تواند میانگین را تخمین بزند اثرات در یک نقطه دلخواه در متغیر در حال اجرا بین آستانه ها در شرایط خفیف ، در حالی که روش برای تفاوت در توزیع متغیرهای متغیر در بین مجموعه داده ها.ما شبیه سازی ها را انجام می دهیم عملکرد برآوردگر پیشنهادی را در نمونه های محدود بررسی کنید.

We use novel nonparametric techniques to test for the presence of non-classical measurement error in reported life satisfaction (LS) and study the potential effects from ignoring it. Our dataset comes from Wave 3 of the UK Understanding Society that is surveyed from 35,000 British households. Our test finds evidence of measurement error in reported LS for the entire dataset as well as for 26 out of 32 socioeconomic subgroups in the sample. We estimate the joint distribution of reported and latent LS nonparametrically in order to understand the mis-reporting behavior. We show this distribution can then be used to estimate parametric models of latent LS. We find measurement error bias is not severe enough to distort the main drivers of LS. But there is an important difference that is policy relevant. We find women tend to over-report their latent LS relative to men. This may help explain the gender puzzle that questions why women are reportedly happier than men despite being worse off on objective outcomes such as income and employment.

ما از تکنیک های غیر پارامتری جدید برای آزمایش برای حضور استفاده می کنیم خطای اندازه گیری غیر کلاسیک در رضایت از زندگی گزارش شده (LS) و مطالعه تأثیرات بالقوه از نادیده گرفتن آن.مجموعه داده های ما از موج 3 انگلستان تهیه شده است درک جامعه ای که از 35000 خانوار انگلیس مورد بررسی قرار می گیرد.آزمون ما شواهدی از خطای اندازه گیری در LS گزارش شده برای کل مجموعه داده ها پیدا می کند و همچنین برای 26 از 32 زیر گروه اقتصادی اقتصادی در نمونه.ما تخمین می زنیم توزیع مشترک LS گزارش شده و نهفته به طور غیر پارامتری به منظور رفتار نادرست گزارش را درک کنید.ما نشان می دهیم که این توزیع می تواند باشد برای برآورد مدلهای پارامتری LS نهفته استفاده می شود.ما تعصب خطای اندازه گیری را پیدا می کنیم به اندازه کافی شدید نیست که محرک های اصلی LS را تحریف کند.اما وجود دارد تفاوت مهم که مربوط به سیاست است.ما می بینیم که زنان تمایل به گزارش بیش از حد دارند LS نهفته آنها نسبت به مردان.این ممکن است به توضیح معمای جنسیتی کمک کند سؤالاتی که چرا زنان علی رغم بدتر شدن زنان خوشحال تر از مردان هستند نتایج عینی مانند درآمد و اشتغال.

This paper shows that the endogeneity test using the control function approach in linear instrumental variable models is a variant of the Hausman test. Moreover, we find that the test statistics used in these tests can be numerically ordered, indicating their relative power properties in finite samples.

این مقاله نشان می دهد که آزمایش درون زا با استفاده از عملکرد کنترل رویکرد در مدلهای متغیر ابزاری خطی نوعی از هاسمن است تست.علاوه بر این ، ما می دانیم که آمار آزمون مورد استفاده در این آزمایشات می تواند باشد به صورت عددی سفارش داده می شود ، و این نشان می دهد خواص نسبی قدرت آنها در محدود نمونه ها.

In this research paper, I have performed time series analysis and forecasted the monthly value of housing starts for the year 2019 using several econometric methods - ARIMA(X), VARX, (G)ARCH and machine learning algorithms - artificial neural networks, ridge regression, K-Nearest Neighbors, and support vector regression, and created an ensemble model. The ensemble model stacks the predictions from various individual models, and gives a weighted average of all predictions. The analyses suggest that the ensemble model has performed the best among all the models as the prediction errors are the lowest, while the econometric models have higher error rates.

در این مقاله تحقیق ، من تجزیه و تحلیل سری زمانی را انجام داده و پیش بینی کرده ام ارزش ماهانه مسکن برای سال 2019 با استفاده از چندین اقتصاد سنجی شروع می شود روشها - Arima (x) ، varx ، (g) الگوریتم های یادگیری قوس و ماشین - مصنوعی شبکه های عصبی ، رگرسیون ریج ، همسایگان K-Nearest و وکتور پشتیبانی رگرسیون ، و یک مدل گروه ایجاد کرد.مدل گروه پیش بینی های مدل های مختلف فردی ، و از همه میانگین وزنی می دهد پیش بینی هاتجزیه و تحلیل نشان می دهد که مدل گروه بهترین بین همه مدل ها به عنوان خطاهای پیش بینی کمترین میزان هستند ، در حالی که مدل های اقتصاد سنجی نرخ خطای بالاتری دارند.

Time-varying parameter (TVP) models have the potential to be over-parameterized, particularly when the number of variables in the model is large. Global-local priors are increasingly used to induce shrinkage in such models. But the estimates produced by these priors can still have appreciable uncertainty. Sparsification has the potential to reduce this uncertainty and improve forecasts. In this paper, we develop computationally simple methods which both shrink and sparsify TVP models. In a simulated data exercise we show the benefits of our shrink-then-sparsify approach in a variety of sparse and dense TVP regressions. In a macroeconomic forecasting exercise, we find our approach to substantially improve forecast performance relative to shrinkage alone.

مدلهای پارامتر متغیر زمان (TVP) پتانسیل دارند بیش از حد پارامتر شده ، به ویژه هنگامی که تعداد متغیرهای مدل باشد بزرگمقدمات جهانی محلی به طور فزاینده ای برای القاء انقباض در چنین مواردی استفاده می شود مدل ها.اما تخمین های تولید شده توسط این مقدمات هنوز هم می تواند قابل توجه باشد عدم قطعیت.پراکندگی پتانسیل کاهش این عدم اطمینان را دارد و پیش بینی ها را بهبود بخشید.در این مقاله ، ما روشهای محاسباتی ساده را توسعه می دهیم که هم مدل های TVP را کوچک و پراکنده می کنند.در یک تمرین داده شبیه سازی شده ما نشان می دهیم فواید رویکرد کوچک ما را در انواع پراکنده و رگرسیون TVP متراکم.در یک تمرین پیش بینی اقتصاد کلان ، ما خود را پیدا می کنیم رویکرد برای بهبود قابل ملاحظه ای عملکرد پیش بینی نسبت به کوچک شدن تنها.

This paper considers unit-root tests in large n and large T heterogeneous panels with cross-sectional dependence generated by unobserved factors. We reconsider the two prevalent approaches in the literature, that of Moon and Perron (2004) and the PANIC setup proposed in Bai and Ng (2004). While these have been considered as completely different setups, we show that, in case of Gaussian innovations, the frameworks are asymptotically equivalent in the sense that both experiments are locally asymptotically normal (LAN) with the same central sequence. Using Le Cam's theory of statistical experiments we determine the local asymptotic power envelope and derive an optimal test jointly in both setups. We show that the popular Moon and Perron (2004) and Bai and Ng (2010) tests only attain the power envelope in case there is no heterogeneity in the long-run variance of the idiosyncratic components. The new test is asymptotically uniformly most powerful irrespective of possible heterogeneity. Moreover, it turns out that for any test, satisfying a mild regularity condition, the size and local asymptotic power are the same under both data generating processes. Thus, applied researchers do not need to decide on one of the two frameworks to conduct unit root tests. Monte-Carlo simulations corroborate our asymptotic results and document significant gains in finite-sample power if the variances of the idiosyncratic shocks differ substantially among the cross sectional units.

در این مقاله آزمایش های ریشه واحد در N و ناهمگن بزرگ T در نظر گرفته شده است پانل هایی با وابستگی مقطعی ایجاد شده توسط عوامل غیرقابل کنترل.ما دوباره دو رویکرد رایج در ادبیات ، ماه و پرورون (2004) و تنظیم وحشت که در BAI و NG (2004) ارائه شده است.در حالی که اینها به عنوان مجموعه های کاملاً متفاوت در نظر گرفته شده اند ، ما نشان می دهیم که در صورت وجود نوآوری های گاوسی ، چارچوب ها از نظر بدون علامت معادل هستند که هر دو آزمایش به صورت محلی بدون علامت طبیعی (LAN) با یکسان هستند دنباله مرکزی.با استفاده از تئوری Le Cam در آزمایشات آماری که ما تعیین می کنیم پاکت قدرت بدون علامت محلی و یک آزمایش بهینه را به طور مشترک در هر دو انجام می دهد تنظیماتما نشان می دهیم که ماه محبوب و پرورون (2004) و بای و NG (2010) در صورت عدم وجود ناهمگونی در این آزمایش ، آزمایشات فقط به پاکت قدرت می رسند واریانس بلند مدت اجزای خاص.آزمون جدید است بدون در نظر گرفتن ناهمگونی احتمالی ، به طور یکنواخت قدرتمندترین. علاوه بر این ، معلوم می شود که برای هر آزمایشی ، رضایت از یک نظم خفیف را برآورده می کند شرایط ، اندازه و قدرت بدون علامت محلی تحت هر دو داده یکسان است تولید فرآیندها.بنابراین ، محققان کاربردی نیازی به تصمیم گیری در مورد یکی از آنها ندارند دو چارچوب برای انجام تست های ریشه واحد.شبیه سازی مونت کارلو نتایج بدون علامت ما را تأیید کرده و دستاوردهای قابل توجهی را در آن ثبت کنید قدرت نمونه محدود اگر واریانس شوکهای خاص متفاوت باشد به طور قابل توجهی در بین واحدهای مقطع.

This paper develops a threshold regression model where an unknown relationship between two variables nonparametrically determines the threshold. We allow the observations to be cross-sectionally dependent so that the model can be applied to determine an unknown spatial border for sample splitting over a random field. We derive the uniform rate of convergence and the nonstandard limiting distribution of the nonparametric threshold estimator. We also obtain the root-n consistency and the asymptotic normality of the regression coefficient estimator. Our model has broad empirical relevance as illustrated by estimating the tipping point in social segregation problems as a function of demographic characteristics; and determining metropolitan area boundaries using nighttime light intensity collected from satellite imagery. We find that the new empirical results are substantially different from those in the existing studies.

این مقاله یک مدل رگرسیون آستانه را که در آن ناشناخته است تهیه می کند رابطه بین دو متغیر به طور غیر پارامتری آستانه را تعیین می کند. ما اجازه می دهیم که مشاهدات از نظر مقطعی وابسته باشند به طوری که مدل برای تعیین مرز مکانی ناشناخته برای تقسیم نمونه قابل استفاده است یک زمینه تصادفیما نرخ یکنواخت همگرایی و غیر استاندارد را استخراج می کنیم محدود کننده توزیع برآوردگر آستانه غیر پارامتری.ما نیز بدست می آوریم قوام root-n و نرمال بودن بدون علامت رگرسیون برآوردگر ضریب.مدل ما از اهمیت تجربی گسترده ای برخوردار است با تخمین نقطه اوج در مشکلات تفکیک اجتماعی به عنوان تابعی از مشخصه هایه جمعیتی؛و تعیین مرزهای منطقه کلانشهر با استفاده از شدت نور شبانه جمع آوری شده از تصاویر ماهواره ای.ما می دانیم که نتایج تجربی جدید با نتایج موجود متفاوت است مطالعات.

This paper studies large $N$ and large $T$ conditional quantile panel data models with interactive fixed effects. We propose a nuclear norm penalized estimator of the coefficients on the covariates and the low-rank matrix formed by the fixed effects. The estimator solves a convex minimization problem, not requiring pre-estimation of the (number of the) fixed effects. It also allows the number of covariates to grow slowly with $N$ and $T$. We derive an error bound on the estimator that holds uniformly in quantile level. The order of the bound implies uniform consistency of the estimator and is nearly optimal for the low-rank component. Given the error bound, we also propose a consistent estimator of the number of fixed effects at any quantile level. To derive the error bound, we develop new theoretical arguments under primitive assumptions and new results on random matrices that may be of independent interest. We demonstrate the performance of the estimator via Monte Carlo simulations.

در این مقاله داده های پانل کمکی مشروط بزرگ $ n $ و بزرگ $ t $ بررسی می شود مدل هایی با اثرات ثابت تعاملی.ما یک هنجار هسته ای را مجازات می کنیم برآوردگر ضرایب موجود در متغیرهای متغیر و ماتریس درجه پایین تشکیل شده است توسط اثرات ثابتبرآوردگر یک مشکل به حداقل رساندن محدب را حل می کند ، نه نیاز به پیش بینی پیش بینی (تعداد) اثرات ثابت.همچنین اجازه می دهد تعداد متغیرهای متغیر برای رشد آهسته با $ n $ و $ t $.ما یک خطا انجام می دهیم به برآوردگر که به طور یکنواخت در سطح کمی نگهداری می شود ، محدود می شود.ترتیب محدود به معنای قوام یکنواخت برآوردگر است و تقریباً بهینه برای آن است مؤلفه پایینبا توجه به خطای محدود ، ما همچنین یک سازگار را پیشنهاد می کنیم برآوردگر تعداد اثرات ثابت در هر سطح کمی.برای استخراج خطای محدود ، ما استدلال های نظری جدیدی را با فرضیات بدوی تهیه می کنیم و نتایج جدید در مورد ماتریس های تصادفی که ممکن است مورد علاقه مستقل باشد.ما عملکرد برآوردگر را از طریق شبیه سازی مونت کارلو نشان دهید.

This paper considers panel data models where the conditional quantiles of the dependent variables are additively separable as unknown functions of the regressors and the individual effects. We propose two estimators of the quantile partial effects while controlling for the individual heterogeneity. The first estimator is based on local linear quantile regressions, and the second is based on local linear smoothed quantile regressions, both of which are easy to compute in practice. Within the large T framework, we provide sufficient conditions under which the two estimators are shown to be asymptotically normally distributed. In particular, for the first estimator, it is shown that $N<<T^{2/(d+4)}$ is needed to ignore the incidental parameter biases, where $d$ is the dimension of the regressors. For the second estimator, we are able to derive the analytical expression of the asymptotic biases under the assumption that $N\approx Th^{d}$, where $h$ is the bandwidth parameter in local linear approximations. Our theoretical results provide the basis of using split-panel jackknife for bias corrections. A Monte Carlo simulation shows that the proposed estimators and the bias-correction method perform well in finite samples.

این مقاله مدلهای داده پانل را در نظر می گیرد که در آن مقادیر مشروط از متغیرهای وابسته به عنوان توابع ناشناخته از نظر افزودنی قابل جدا شدن هستند رگرسیون و اثرات فردی.ما دو برآوردگر از اثرات جزئی کمی هنگام کنترل ناهمگونی فرد. برآوردگر اول بر اساس رگرسیون های کمی خطی محلی و دوم مبتنی بر رگرسیون کمی صاف خطی خطی است که هر دو آنها محاسبه در عمل آسان است.در چارچوب بزرگ T ، ما ارائه می دهیم شرایط کافی که تحت آن دو برآوردگر نشان داده شده است به طور غیر عادی به طور عادی توزیع می شود.به طور خاص ، برای اولین برآوردگر ، آن نشان داده شده است که $ n << t^{2/(d+4)} $ برای نادیده گرفتن پارامتر حادثه مورد نیاز است تعصب ، جایی که $ d $ ابعاد رگرسیون است.برای برآوردگر دوم ، ما می توانیم بیان تحلیلی تعصبات بدون علامت را در زیر استخراج کنیم این فرض که $ n \ تقریبی^{d} $ ، که در آن $ h $ پارامتر پهنای باند است تقریب خطی محلی.نتایج نظری ما اساس استفاده را ارائه می دهد Jackknife تقسیم شده برای اصلاحات تعصب.یک شبیه سازی مونت کارلو نشان می دهد که برآوردگرهای پیشنهادی و روش اصلاح تعصب در محدود عملکرد خوبی دارند نمونه ها.

Quantile Factor Models (QFM) represent a new class of factor models for high-dimensional panel data. Unlike Approximate Factor Models (AFM), where only location-shifting factors can be extracted, QFM also allow to recover unobserved factors shifting other relevant parts of the distributions of observed variables. A quantile regression approach, labeled Quantile Factor Analysis (QFA), is proposed to consistently estimate all the quantile-dependent factors and loadings. Their asymptotic distribution is then derived using a kernel-smoothed version of the QFA estimators. Two consistent model selection criteria, based on information criteria and rank minimization, are developed to determine the number of factors at each quantile. Moreover, in contrast to the conditions required for the use of Principal Components Analysis in AFM, QFA estimation remains valid even when the idiosyncratic errors have heavy-tailed distributions. Three empirical applications (regarding macroeconomic, climate and finance panel data) provide evidence that extra factors shifting the quantiles other than the means could be relevant in practice.

مدلهای فاکتور کمی (QFM) کلاس جدیدی از مدل های فاکتور را برای داده های پانل با ابعاد بالا.برخلاف مدل های تقریبی فاکتور (AFM) ، که فقط در آن فاکتورهای تغییر مکان را می توان استخراج کرد ، QFM همچنین امکان بهبودی را فراهم می آورد فاکتورهای غیرقابل تحمل تغییر سایر بخش های مربوط به توزیع متغیرهای مشاهده شده.یک رویکرد رگرسیون کمی ، با برچسب فاکتور کوانتیل تجزیه و تحلیل (QFA) ، برای برآورد مداوم همه وابسته به کمی پیشنهاد شده است عوامل و بارگذاریتوزیع بدون علامت آنها سپس با استفاده از a مشتق می شود نسخه خالص هسته از برآوردگرهای QFA.دو انتخاب مدل سازگار معیارها ، بر اساس معیارهای اطلاعات و به حداقل رساندن رتبه ، به تعداد عوامل موجود در هر مقدار را تعیین کنید.علاوه بر این ، بر خلاف شرایط مورد نیاز برای استفاده از تجزیه و تحلیل مؤلفه های اصلی در AFM ، QFA تخمین حتی اگر خطاهای ایدیوسنکراتیک دارای دم سنگین باشد معتبر است توزیعسه برنامه تجربی (با توجه به آب و هوا کلان اقتصادی ، و داده های پانل مالی) شواهدی ارائه می دهد که عوامل اضافی در حال تغییر است مقادیر غیر از وسایل می توانند در عمل مرتبط باشند.

This study proposes a simple, trustworthy Chow test in the presence of heteroscedasticity and autocorrelation. The test is based on a series heteroscedasticity and autocorrelation robust variance estimator with judiciously crafted basis functions. Like the Chow test in a classical normal linear regression, the proposed test employs the standard F distribution as the reference distribution, which is justified under fixed-smoothing asymptotics. Monte Carlo simulations show that the null rejection probability of the asymptotic F test is closer to the nominal level than that of the chi-square test.

این مطالعه یک آزمون چو ساده و قابل اعتماد را در حضور ارائه می دهد ناهمگونی و همبستگی.این آزمون بر اساس یک سری است برآوردگر واریانس قوی و همبستگی با همبستگی با کارکردهای پایه ای با قاطعیت.مانند آزمون چو در یک کلاسیک عادی رگرسیون خطی ، آزمون پیشنهادی توزیع استاندارد F را به عنوان توزیع مرجع ، که تحت مجانب ثابت صاف توجیه می شود. شبیه سازی مونت کارلو نشان می دهد که احتمال رد تهی از آزمون F بدون علامت به سطح اسمی نسبت به مربع کای نزدیکتر است تست.

We study identification of preferences in static single-agent discrete choice models where decision makers may be imperfectly informed about the state of the world. We leverage the notion of one-player Bayes Correlated Equilibrium by Bergemann and Morris (2016) to provide a tractable characterization of the sharp identified set. We develop a procedure to practically construct the sharp identified set following a sieve approach, and provide sharp bounds on counterfactual outcomes of interest. We use our methodology and data on the 2017 UK general election to estimate a spatial voting model under weak assumptions on agents' information about the returns to voting. Counterfactual exercises quantify the consequences of imperfect information on the well-being of voters and parties.

ما شناسایی ترجیحات را در انتخاب گسسته تک عامل استاتیک مطالعه می کنیم مدلهایی که تصمیم گیرندگان ممکن است به طور ناقص از وضعیت وضعیت مطلع شوند جهانما از مفهوم تعادل یک نفره بیز همبسته استفاده می کنیم برگمان و موریس (2016) برای ارائه خصوصیات قابل ردیابی از مجموعه مشخص شده تیز.ما روشی را برای ساختن شدید تیز ایجاد می کنیم مجموعه شناسایی شده به دنبال یک روش الک ، و محدودیت های تیز را در آن فراهم می کند نتایج متقابل علاقه.ما از روش و داده های خود در مورد استفاده می کنیم 2017 انتخابات عمومی انگلستان برای برآورد یک مدل رای گیری فضایی تحت ضعف فرضیات مربوط به اطلاعات نمایندگان در مورد بازده رای گیری.متضاد تمرینات عواقب اطلاعات ناقص را در مورد بهزیستی تعیین می کند رای دهندگان و احزاب.

Much empirical research in economics and finance involves simultaneously testing multiple hypotheses. This paper proposes extended MinP (EMinP) tests by expanding the minimand set of the MinP test statistic to include the $p$% -value of a global test such as a likelihood ratio test. We show that, compared with MinP tests, EMinP tests may considerably improve the global power in rejecting the intersection of all individual hypotheses. Compared with closed tests EMinP tests have the computational advantage by sharing the benefit of the stepdown procedure of MinP tests and can have a better global power over the tests used to construct closed tests. Furthermore, we argue that EMinP tests may be viewed as a tool to prevent data snooping when two competing tests that have distinct global powers are exploited. Finally, the proposed tests are applied to an empirical application on testing the effects of exercise.

تحقیقات تجربی در اقتصاد و امور مالی همزمان شامل همزمان است آزمایش فرضیه های متعدد.در این مقاله آزمایش های MINP طولانی (EMINP) توسط گسترش مجموعه حداقل و آمار آزمون minp برای شامل $ p $ ٪ -ارزش یک تست جهانی مانند آزمون نسبت احتمال.ما نشان می دهیم که ، مقایسه با آزمایش MINP ، تست های EMINP ممکن است قدرت جهانی را به طور قابل توجهی بهبود بخشد رد تقاطع همه فرضیه های فردی.در مقایسه با بسته آزمایشات EMINP با به اشتراک گذاشتن فواید آن از مزیت محاسباتی برخوردار است روش گام به گام تست های minp و می تواند قدرت جهانی بهتری داشته باشد تست های مورد استفاده برای ساخت تست های بسته.علاوه بر این ، ما استدلال می کنیم که eminp آزمایشات ممکن است به عنوان ابزاری برای جلوگیری از چرت زدن داده ها در هنگام دو تست رقیب مشاهده شود که دارای قدرت های جهانی متمایز هستند مورد سوء استفاده قرار می گیرند.سرانجام ، تست های پیشنهادی هستند برای آزمایش اثرات ورزش برای یک کاربرد تجربی اعمال می شود.

Canay (2011)'s two-step estimator of quantile panel data models, due to its simple intuition and low computational cost, has been widely used in empirical studies in recent years. In this paper, we revisit the estimator of Canay (2011) and point out that in his asymptotic analysis the bias of his estimator due to the estimation of the fixed effects is mistakenly omitted, and that such omission will lead to invalid inference on the coefficients. To solve this problem, we propose a similar easy-to-implement estimator based on smoothed quantile regressions. The asymptotic distribution of the new estimator is established and the analytical expression of its asymptotic bias is derived. Based on these results, we show how to make asymptotically valid inference based on both analytical and split-panel jackknife bias corrections. Finally, finite sample simulations are used to support our theoretical analysis and to illustrate the importance of bias correction in quantile regressions for panel data.

برآوردگر دو مرحله ای Canay (2011) از مدلهای داده پانل Quantile ، به دلیل آن شهود ساده و هزینه محاسباتی پایین ، به طور گسترده ای در تجربی استفاده شده است مطالعات در سالهای اخیر.در این مقاله ، ما برآوردگر قوطی را مرور می کنیم (2011) و خاطرنشان می کند که در تحلیل بدون علامت خود تعصب برآوردگر او با توجه به تخمین اثرات ثابت به اشتباه حذف شده است ، و چنین مواردی حذف منجر به استنباط نامعتبر بر روی ضرایب خواهد شد.برای حل این مشکل ، ما یک برآوردگر آسان برای اجرای آن را بر اساس صاف پیشنهاد می کنیم رگرسیون کمی.توزیع بدون علامت از برآوردگر جدید است ایجاد شده و بیان تحلیلی تعصب بدون علامت آن مشتق شده است. بر اساس این نتایج ، ما نشان می دهیم که چگونه می توان استنباط معتبر بدون علامت ایجاد کرد بر اساس هر دو اصلاح تعصب تحلیلی و پانل پانل.سرانجام، شبیه سازی نمونه محدود برای پشتیبانی از تجزیه و تحلیل نظری ما و به اهمیت تصحیح تعصب در رگرسیون کمی برای پانل را نشان دهید داده ها.

We analyze the properties of the Synthetic Control (SC) and related estimators when the pre-treatment fit is imperfect. In this framework, we show that these estimators are generally biased if treatment assignment is correlated with unobserved confounders, even when the number of pre-treatment periods goes to infinity. Still, we show that a demeaned version of the SC method can substantially improve in terms of bias and variance relative to the difference-in-difference estimator. We also derive a specification test for the demeaned SC estimator in this setting with imperfect pre-treatment fit. Given our theoretical results, we provide practical guidance for applied researchers on how to justify the use of such estimators in empirical applications.

ما خواص کنترل مصنوعی (SC) و مرتبط را تجزیه و تحلیل می کنیم برآوردگرها هنگامی که تناسب قبل از درمان ناقص است.در این چارچوب ، ما نشان می دهیم اینکه این برآوردگرها به طور کلی مغرضانه باشند در صورت انجام تکلیف درمانی در ارتباط با مخدوشان بدون نظارت ، حتی اگر تعداد قبل از درمان دوره ها به بی نهایت می رود.با این حال ، ما نشان می دهیم که یک نسخه بد از SC روش می تواند از نظر تعصب و واریانس نسبت به برآوردگر اختلاف در اختلاف.ما همچنین یک تست مشخصات را برای برآوردگر SC در این تنظیم با مناسب قبل از درمان ، متناسب است.داده شده نتایج نظری ما ، ما راهنمایی های عملی را برای محققان کاربردی ارائه می دهیم در مورد نحوه توجیه استفاده از چنین برآوردگرها در برنامه های تجربی.

We develop a class of tests for time series models such as multiple regression with growing dimension, infinite-order autoregression and nonparametric sieve regression. Examples include the Chow test and general linear restriction tests of growing rank $p$. Employing such increasing $p$ asymptotics, we introduce a new scale correction to conventional test statistics which accounts for a high-order long-run variance (HLV) that emerges as $ p $ grows with sample size. We also propose a bias correction via a null-imposed bootstrap to alleviate finite sample bias without sacrificing power unduly. A simulation study shows the importance of robustifying testing procedures against the HLV even when $ p $ is moderate. The tests are illustrated with an application to the oil regressions in Hamilton (2003).

ما یک کلاس از تست ها را برای مدل های سری زمانی مانند چندگانه تهیه می کنیم رگرسیون با ابعاد در حال رشد ، خودگردانی مرتبه نامتناهی و رگرسیون غربال غیرپارامتری.مثالها شامل آزمون چو و عمومی است تست محدودیت خطی از رشد $ P $.با استفاده از چنین افزایش $ p $ بدون علامت ، ما تصحیح مقیاس جدید را به آزمایش معمولی معرفی می کنیم آماری که واریانس بلند مدت مرتبه بالا (HLV) را نشان می دهد با افزایش $ P $ با اندازه نمونه.ما همچنین تصحیح تعصب را از طریق a پیشنهاد می کنیم بوت استرپ تحمیل شده برای کاهش تعصب نمونه محدود بدون قربانی کردن قدرت ناعادلانهیک مطالعه شبیه سازی اهمیت آزمایش محکم را نشان می دهد رویه ها در برابر HLV حتی اگر $ P $ متوسط باشد.تست ها هستند مصور با درخواست رگرسیون نفت در همیلتون (2003).

We propose a Bayesian vector autoregressive (VAR) model for mixed-frequency data. Our model is based on the mean-adjusted parametrization of the VAR and allows for an explicit prior on the 'steady states' (unconditional means) of the included variables. Based on recent developments in the literature, we discuss extensions of the model that improve the flexibility of the modeling approach. These extensions include a hierarchical shrinkage prior for the steady-state parameters, and the use of stochastic volatility to model heteroskedasticity. We put the proposed model to use in a forecast evaluation using US data consisting of 10 monthly and 3 quarterly variables. The results show that the predictive ability typically benefits from using mixed-frequency data, and that improvements can be obtained for both monthly and quarterly variables. We also find that the steady-state prior generally enhances the accuracy of the forecasts, and that accounting for heteroskedasticity by means of stochastic volatility usually provides additional improvements, although not for all variables.

ما یک مدل وکتور بیزی (VAR) برای فرکانس مختلط پیشنهاد می کنیم داده ها.مدل ما مبتنی بر پارامتر سازی میانگین تنظیم VAR و اجازه می دهد تا پیش از صریح در "حالتهای پایدار" (وسایل بی قید و شرط) از متغیرهای موجودبر اساس تحولات اخیر در ادبیات ، ما در مورد پسوندهای مدل که باعث افزایش انعطاف پذیری مدل سازی می شود بحث کنید رویکرد.این برنامه های افزودنی شامل انقباض سلسله مراتبی قبلی برای پارامترهای حالت پایدار و استفاده از نوسانات تصادفی برای مدل سازی ناهمگونی.ما مدل پیشنهادی را برای استفاده در یک ارزیابی پیش بینی قرار داده ایم با استفاده از داده های ایالات متحده متشکل از 10 متغیر ماهانه و 3 سه ماهه.نتایج نشان می دهد که توانایی پیش بینی به طور معمول از استفاده از فرکانس مختلط سود می برد داده ها ، و این پیشرفت ها را می توان برای هر دو ماهانه و سه ماهه بدست آورد متغیرهاما همچنین می دانیم که حالت پایدار قبلی به طور کلی افزایش می یابد صحت پیش بینی ها ، و آن حسابداری برای ناهمگونی از طریق نوسانات تصادفی معمولاً پیشرفت های اضافی را ارائه می دهد ، اگرچه نه برای همه متغیرها

We propose a method to conduct uniform inference for the (optimal) value function, that is, the function that results from optimizing an objective function marginally over one of its arguments. Marginal optimization is not Hadamard differentiable (that is, compactly differentiable) as a map between the spaces of objective and value functions, which is problematic because standard inference methods for nonlinear maps usually rely on Hadamard differentiability. However, we show that the map from objective function to an $L_p$ functional of a value function, for $1 \leq p \leq \infty$, are Hadamard directionally differentiable. As a result, we establish consistency and weak convergence of nonparametric plug-in estimates of Cram\'er-von Mises and Kolmogorov-Smirnov test statistics applied to value functions. For practical inference, we develop detailed resampling techniques that combine a bootstrap procedure with estimates of the directional derivatives. In addition, we establish local size control of tests which use the resampling procedure. Monte Carlo simulations assess the finite-sample properties of the proposed methods and show accurate empirical size and nontrivial power of the procedures. Finally, we apply our methods to the evaluation of a job training program using bounds for the distribution function of treatment effects.

ما روشی را برای انجام استنباط یکنواخت برای مقدار (بهینه) پیشنهاد می کنیم عملکرد ، یعنی عملکردی که ناشی از بهینه سازی یک هدف است عملکرد حاشیه ای بیش از یکی از استدلال های آن.بهینه سازی حاشیه ای نیست Hadamard متفاوت (یعنی کاملاً متفاوت) به عنوان نقشه بین فضاهای توابع عینی و ارزش ، که مشکل ساز است زیرا روشهای استنتاج استاندارد برای نقشه های غیرخطی معمولاً به Hadamard متکی هستند تمایز پذیریبا این حال ، ما نشان می دهیم که نقشه از عملکرد هدف به یک $ l_p $ عملکرد یک تابع ارزش ، با قیمت 1 \ leq p \ leq \ infty $ ، Hadamard هستند از نظر جهت قابل تغییر است.در نتیجه ، ما ثبات و ضعیف را ایجاد می کنیم همگرایی برآوردهای افزونه غیر پارامتری از cram \ 'er-von mises و آمار آزمون Kolmogorov-Smirnov برای توابع ارزش اعمال می شود.برای عملی استنتاج ، ما تکنیک های تفصیلی را که ترکیب یک بوت استرپ است ، توسعه می دهیم رویه با برآورد مشتقات جهت دار.علاوه بر این ، ما کنترل اندازه محلی آزمایشاتی را که از روش تغییر شکل استفاده می کنند ، ایجاد کنید.مونت شبیه سازی های کارلو خصوصیات نمونه محدود روشهای پیشنهادی را ارزیابی می کنند و اندازه تجربی دقیق و قدرت غیرمستقیم رویه ها را نشان دهید. سرانجام ، ما روشهای خود را برای ارزیابی یک برنامه آموزش شغلی با استفاده از استفاده می کنیم مرز برای عملکرد توزیع اثرات درمانی.

An understanding of the economic landscape in a world of ever increasing data necessitates representations of data that can inform policy, deepen understanding and guide future research. Topological Data Analysis offers a set of tools which deliver on all three calls. Abstract two-dimensional snapshots of multi-dimensional space readily capture non-monotonic relationships, inform of similarity between points of interest in parameter space, mapping such to outcomes. Specific examples show how some, but not all, countries have returned to Great Depression levels, and reappraise the links between real private capital growth and the performance of the economy. Theoretical and empirical expositions alike remind on the dangers of assuming monotonic relationships and discounting combinations of factors as determinants of outcomes; both dangers Topological Data Analysis addresses. Policy-makers can look at outcomes and target areas of the input space where such are not satisfactory, academics may additionally find evidence to motivate theoretical development, and practitioners can gain a rapid and robust base for decision making.

درک چشم انداز اقتصادی در دنیای داده های روزافزون به نمایش داده هایی که می توانند سیاست را آگاه کنند ، عمیق تر می شود. درک و راهنمایی تحقیقات آینده.تجزیه و تحلیل داده های توپولوژیکی مجموعه ای را ارائه می دهد ابزارهایی که هر سه تماس را ارائه می دهند.عکسهای دو بعدی انتزاعی از فضای چند بعدی به راحتی روابط غیر یکنواختی را ضبط کنید ، اطلاع رسانی کنید شباهت بین نقاط مورد علاقه در فضای پارامتر ، نقشه برداری از چنین عواقب.مثالهای خاص نشان می دهد که چگونه برخی ، اما نه همه ، کشورها برگشته اند به سطح افسردگی بزرگ ، و از پیوندهای بین خصوصی واقعی استفاده کنید رشد سرمایه و عملکرد اقتصاد.نظری و تجربی نمایشگاه ها به طور یکسان خطرات مربوط به فرض روابط یکنواخت را یادآوری می کنند و تخفیف ترکیبی از عوامل به عنوان عوامل تعیین کننده نتایج ؛هر دو خطر آدرسهای تجزیه و تحلیل داده های توپولوژیکی.سیاست گذاران می توانند به نتایج و مناطق هدف از فضای ورودی که چنین مواردی رضایت بخش نیست ، دانشگاهیان ممکن است علاوه بر این شواهدی برای ایجاد انگیزه در توسعه نظری پیدا کنید ، و پزشکان می توانند یک پایگاه سریع و قوی برای تصمیم گیری کسب کنند.

We investigate how the possible presence of unit roots and cointegration affects forecasting with Big Data. As most macroeoconomic time series are very persistent and may contain unit roots, a proper handling of unit roots and cointegration is of paramount importance for macroeconomic forecasting. The high-dimensional nature of Big Data complicates the analysis of unit roots and cointegration in two ways. First, transformations to stationarity require performing many unit root tests, increasing room for errors in the classification. Second, modelling unit roots and cointegration directly is more difficult, as standard high-dimensional techniques such as factor models and penalized regression are not directly applicable to (co)integrated data and need to be adapted. We provide an overview of both issues and review methods proposed to address these issues. These methods are also illustrated with two empirical applications.

ما بررسی می کنیم که چگونه حضور احتمالی ریشه های واحد و ادغام پیش بینی با داده های بزرگ را تحت تأثیر قرار می دهد.همانطور که بیشتر سری های زمانی کلان اقتصادی بسیار زیاد هستند مداوم و ممکن است حاوی ریشه های واحد ، استفاده مناسب از ریشه های واحد و ادغام برای پیش بینی کلان اقتصادی از اهمیت ویژه ای برخوردار است.در ماهیت با ابعاد بالا از داده های بزرگ تجزیه و تحلیل ریشه های واحد و ادغام از دو طریق.اول ، تبدیل به ثابت بودن نیاز دارد انجام بسیاری از تست های ریشه واحد ، افزایش فضای خطاها در طبقه بندی.دوم ، ریشه های واحد مدل سازی و ادغام مستقیماً بیشتر است دشوار ، به عنوان تکنیک های استاندارد با ابعاد بالا مانند مدل های فاکتور و رگرسیون مجازات شده به طور مستقیم برای داده های یکپارچه (CO) قابل اجرا نیست و نیاز به سازگاریما یک نمای کلی از هر دو موضوع و روش های مرور ارائه می دهیم برای رسیدگی به این مسائل پیشنهاد شده است.این روش ها نیز با دو نشان داده شده است برنامه های تجربی.

This paper aims at shedding light upon how transforming or detrending a series can substantially impact predictions of mixed causal-noncausal (MAR) models, namely dynamic processes that depend not only on their lags but also on their leads. MAR models have been successfully implemented on commodity prices as they allow to generate nonlinear features such as locally explosive episodes (denoted here as bubbles) in a strictly stationary setting. We consider multiple detrending methods and investigate, using Monte Carlo simulations, to what extent they preserve the bubble patterns observed in the raw data. MAR models relies on the dynamics observed in the series alone and does not require economical background to construct a structural model, which can sometimes be intricate to specify or which may lack parsimony. We investigate oil prices and estimate probabilities of crashes before and during the first 2020 wave of the COVID-19 pandemic. We consider three different mechanical detrending methods and compare them to a detrending performed using the level of strategic petroleum reserves.

این مقاله با هدف ریختن نور در مورد چگونگی تغییر یا دفع A سری می تواند به طور قابل ملاحظه ای پیش بینی های مختلط علت و معلولی را تحت تأثیر قرار دهد (MAR) مدل ها ، یعنی فرآیندهای پویا که نه تنها به تأخیر آنها بلکه به آنها بستگی دارد رهبری آنهامدل های MAR با موفقیت با قیمت کالاها اجرا شده اند زیرا آنها به تولید ویژگی های غیرخطی مانند قسمت های انفجاری محلی اجازه می دهند (در اینجا به عنوان حباب مشخص شده است) در یک محیط کاملاً ثابت.ما در نظر داریم روشهای چند برابر و بررسی ، با استفاده از شبیه سازی مونت کارلو ، به آنها تا چه اندازه الگوهای حباب مشاهده شده در داده های خام را حفظ می کنند.در میان مدل ها به پویایی مشاهده شده در این سریال متکی هستند و نیازی به آن ندارد پیشینه اقتصادی برای ساخت یک مدل ساختاری ، که گاهی اوقات می تواند باشد برای مشخص کردن و یا اینکه ممکن است فاقد پارسیمونی باشد ، پیچیده است.ما قیمت نفت را بررسی می کنیم و احتمال تصادفات قبل و در اولین موج 2020 را تخمین بزنید پاندمی کووید 19.ما سه روش مختلف دفع مکانیکی را در نظر می گیریم و آنها را با یک محاصره انجام شده با استفاده از سطح استراتژیک مقایسه کنید ذخایر نفتی.

The Internet plays a key role in society and is vital to economic development. Due to the pressure of competition, most technology companies, including Internet finance companies, continue to explore new markets and new business. Funding subsidies and resource inputs have led to significant business income tendencies in financial statements. This tendency of business income is often manifested as part of the business loss or long-term unprofitability. We propose a risk change indicator (RFR) and compare the risk indicator of fourteen representative companies. This model combines extreme risk value with slope, and the combination method is simple and effective. The results of experiment show the potential of this model. The risk volatility of technology enterprises including Internet finance enterprises is highly cyclical, and the risk volatility of emerging Internet fintech companies is much higher than that of other technology companies.

اینترنت نقش اساسی در جامعه دارد و برای اقتصادی بسیار حیاتی است توسعه.با توجه به فشار رقابت ، اکثر شرکت های فناوری ، از جمله شرکت های دارایی اینترنتی ، به کشف بازارهای جدید و جدید ادامه دهید کسب و کار.بودجه یارانه ها و ورودی های منابع منجر به قابل توجه شده است تمایلات درآمد کسب و کار در صورتهای مالی.این گرایش تجارت درآمد اغلب به عنوان بخشی از ضرر تجارت یا بلند مدت آشکار می شود غیرقانونی بودنما یک شاخص تغییر ریسک (RFR) پیشنهاد می کنیم و خطر را مقایسه می کنیم شاخص چهارده شرکت نماینده.این مدل کاملاً ترکیبی است مقدار خطر با شیب ، و روش ترکیبی ساده و مؤثر است.در نتایج آزمایش پتانسیل این مدل را نشان می دهد.نوسانات خطر از شرکت های فناوری از جمله شرکت های مالی اینترنت بسیار زیاد است چرخه ای و نوسانات خطر شرکتهای در حال ظهور اینترنت اینترنتی است بسیار بالاتر از سایر شرکت های فناوری.

Asymptotic bootstrap validity is usually understood as consistency of the distribution of a bootstrap statistic, conditional on the data, for the unconditional limit distribution of a statistic of interest. From this perspective, randomness of the limit bootstrap measure is regarded as a failure of the bootstrap. We show that such limiting randomness does not necessarily invalidate bootstrap inference if validity is understood as control over the frequency of correct inferences in large samples. We first establish sufficient conditions for asymptotic bootstrap validity in cases where the unconditional limit distribution of a statistic can be obtained by averaging a (random) limiting bootstrap distribution. Further, we provide results ensuring the asymptotic validity of the bootstrap as a tool for conditional inference, the leading case being that where a bootstrap distribution estimates consistently a conditional (and thus, random) limit distribution of a statistic. We apply our framework to several inference problems in econometrics, including linear models with possibly non-stationary regressors, functional CUSUM statistics, conditional Kolmogorov-Smirnov specification tests, the `parameter on the boundary' problem and tests for constancy of parameters in dynamic econometric models.

اعتبار بوت استرپ بدون علامت معمولاً به عنوان قوام آن درک می شود توزیع یک آمار بوت استرپ ، مشروط به داده ها ، برای توزیع محدودیت بی قید و شرط آماری از علاقه.از این چشم انداز ، تصادفی از اندازه گیری بوت استرپ به عنوان یک شکست در نظر گرفته می شود از بوت استرپ.ما نشان می دهیم که چنین تصادفی محدود کننده لزوماً نیست اگر اعتبار به عنوان کنترل بر روی آن درک شود ، استنتاج bootstrap را باطل کنید فراوانی استنتاج صحیح در نمونه های بزرگ.ما ابتدا به اندازه کافی ایجاد می کنیم شرایط برای اعتبار بوت استرپ بدون علامت در مواردی که بی قید و شرط است توزیع محدود یک آمار را می توان با میانگین یک (تصادفی) بدست آورد محدود کردن توزیع بوت استرپ.علاوه بر این ، ما نتایج را تضمین می کنیم اعتبار بدون علامت بوت استرپ به عنوان ابزاری برای استنباط مشروط ، مورد پیشرو در جایی است که در آن توزیع بوت استرپ به طور مداوم تخمین می زند مشروط (و بنابراین ، تصادفی) توزیع یک آمار.ما خود را اعمال می کنیم چارچوب به چندین مشکل استنباط در اقتصاد سنجی ، از جمله خطی مدلهایی با رگرسیونرهای احتمالاً غیر ثابت ، آمار عملکردی CUSUM ، تست مشخصات مشخصات Kolmogorov-Smirnov ، پارامتر `در مشکل مرز و آزمایش برای ثبات پارامترها در اقتصاد پویا مدل ها.

The paper proposes a parsimonious and flexible semiparametric quantile regression specification for asymmetric bidders within the independent private value framework. Asymmetry is parameterized using powers of a parent private value distribution, which is generated by a quantile regression specification. As noted in Cantillon (2008) , this covers and extends models used for efficient collusion, joint bidding and mergers among homogeneous bidders. The specification can be estimated for ascending auctions using the winning bids and the winner's identity. The estimation is in two stage. The asymmetry parameters are estimated from the winner's identity using a simple maximum likelihood procedure. The parent quantile regression specification can be estimated using simple modifications of Gimenes (2017). Specification testing procedures are also considered. A timber application reveals that weaker bidders have $30\%$ less chances to win the auction than stronger ones. It is also found that increasing participation in an asymmetric ascending auction may not be as beneficial as using an optimal reserve price as would have been expected from a result of BulowKlemperer (1996) valid under symmetry.

این مقاله یک مقدار نیمه ثمرم سنجی پارسایمونی و انعطاف پذیر را پیشنهاد می کند مشخصات رگرسیون برای داوطلبان نامتقارن در خصوصی مستقل چارچوب ارزش.عدم تقارن با استفاده از قدرت های والدین خصوصی پارامتر می شود توزیع ارزش ، که توسط مشخصات رگرسیون کمی تولید می شود. همانطور که در Cantillon (2008) ذکر شد ، این مدل های مورد استفاده را پوشش می دهد و گسترش می دهد تبانی کارآمد ، مناقصه مشترک و ادغام در بین داوطلبان همگن.در مشخصات را می توان برای حراج های صعودی با استفاده از پیشنهادات برنده تخمین زد و هویت برندهتخمین در دو مرحله است.عدم تقارن پارامترها از هویت برنده با استفاده از حداکثر ساده تخمین زده می شود روش احتمالمشخصات رگرسیون کمی والدین می تواند باشد برآورد شده با استفاده از اصلاحات ساده Gimenes (2017).تست مشخصات رویه ها نیز در نظر گرفته شده است.یک برنامه چوب نشان می دهد که ضعیف تر است داوطلبان 30 دلار \ ٪ $ کمتر برای پیروزی در حراج نسبت به افراد قوی تر دارند.این است همچنین دریافت که افزایش مشارکت در حراج صعودی نامتقارن ممکن است به اندازه استفاده از قیمت ذخیره بهینه ، به همان اندازه سودمند نیست انتظار می رود از نتیجه Bulowklemperer (1996) با تقارن معتبر باشد.

This paper considers a semiparametric model of dyadic network formation under nontransferable utilities (NTU). NTU arises frequently in real-world social interactions that require bilateral consent, but by its nature induces additive non-separability. We show how unobserved individual heterogeneity in our model can be canceled out without additive separability, using a novel method we call logical differencing. The key idea is to construct events involving the intersection of two mutually exclusive restrictions on the unobserved heterogeneity, based on multivariate monotonicity. We provide a consistent estimator and analyze its performance via simulation, and apply our method to the Nyakatoke risk-sharing networks.

در این مقاله یک مدل نیمهرامتری از تشکیل شبکه دویدیک در زیر در نظر گرفته شده است برنامه های غیر قابل انتقال (NTU).NTU اغلب در دنیای واقعی اجتماعی بوجود می آید فعل و انفعاعی که نیاز به رضایت دو جانبه دارند ، اما به دلیل ماهیت آن باعث افزودنی می شود عدم تفکیکما نشان می دهیم که چگونه ناهمگونی فردی در مدل ما با استفاده از روشی جدید که ما از آن استفاده می کنیم ، می توان بدون جدایی افزودنی لغو کرد تفاوت منطقیایده اصلی ساخت وقایع مربوط به آن است تقاطع دو محدودیت متقابل منحصر به فرد در موارد غیرقانونی ناهمگونی ، بر اساس یکنواختی چند متغیره.ما یک سازگار ارائه می دهیم برآوردگر و تجزیه و تحلیل عملکرد آن از طریق شبیه سازی ، و روش ما را در آن اعمال کنید شبکه های تقسیم ریسک Nyakatoke.

This paper explores strategic network formation under incomplete information using data from a single large network. We allow the utility function to be nonseparable in an individual's link choices to capture the spillover effects from friends in common. In a network with n individuals, the nonseparable utility drives an individual to choose between 2^{n-1} overlapping portfolios of links. We develop a novel approach that applies the Legendre transform to the utility function so that the optimal decision of an individual can be represented as a sequence of correlated binary choices. The link dependence that results from the preference for friends in common is captured by an auxiliary variable introduced by the Legendre transform. We propose a two-step estimator that is consistent and asymptotically normal. We also derive a limiting approximation of the game as n grows large that can help simplify the computation in very large networks. We apply these methods to favor exchange networks in rural India and find that the direction of support from a mutual link matters in facilitating favor provision.

در این مقاله به بررسی شکل گیری شبکه استراتژیک تحت اطلاعات ناقص می پردازیم با استفاده از داده های یک شبکه بزرگ.ما اجازه می دهیم عملکرد ابزار باشد در انتخاب لینک یک فرد برای ضبط اثرات سرریز غیر قابل تفکیک است از دوستان مشترکدر شبکه ای با افراد N ، غیر قابل تفکیک ابزار یک فرد را برای انتخاب بین 2^{n-1} با هم همپوشانی سوق می دهد پیوندهاما یک رویکرد جدید ایجاد می کنیم که از تبدیل افسانه به آن استفاده می کند عملکرد ابزار به گونه ای که تصمیم بهینه یک فرد می تواند باشد به عنوان دنباله ای از گزینه های باینری همبسته نشان داده شده است.وابستگی پیوند این نتیجه از اولویت دوستان مشترک توسط یک متغیر کمکی معرفی شده توسط Legendre Transform.ما دو مرحله ای پیشنهاد می کنیم برآوردگر سازگار و بدون علامت طبیعی است.ما همچنین به دست می آوریم محدود کردن تقریب بازی به عنوان N بزرگ می شود که می تواند به ساده سازی کمک کند محاسبه در شبکه های بسیار بزرگ.ما این روش ها را برای نفع مبادله اعمال می کنیم شبکه هایی در روستای هند و دریابید که جهت پشتیبانی از یک متقابل است موارد پیوند در تسهیل ارائه لطف.

This paper develops a dynamic factor model that uses euro area (EA) country-specific information on output and inflation to estimate an area-wide measure of the output gap. Our model assumes that output and inflation can be decomposed into country-specific stochastic trends and a common cyclical component. Comovement in the trends is introduced by imposing a factor structure on the shocks to the latent states. We moreover introduce flexible stochastic volatility specifications to control for heteroscedasticity in the measurement errors and innovations to the latent states. Carefully specified shrinkage priors allow for pushing the model towards a homoscedastic specification, if supported by the data. Our measure of the output gap closely tracks other commonly adopted measures, with small differences in magnitudes and timing. To assess whether the model-based output gap helps in forecasting inflation, we perform an out-of-sample forecasting exercise. The findings indicate that our approach yields superior inflation forecasts, both in terms of point and density predictions.

این مقاله یک مدل فاکتور پویا را تهیه می کند که از منطقه یورو (EA) استفاده می کند اطلاعات خاص کشور در مورد تولید و تورم برای تخمین سطح منطقه اندازه گیری شکاف خروجی.مدل ما فرض می کند که بازده و تورم می تواند باشد تجزیه به روندهای تصادفی خاص کشور و یک چرخه مشترک جزء.با تحمیل یک عامل ، روندها در این روندها معرفی می شود ساختار شوک به حالتهای نهفته.علاوه بر این ما انعطاف پذیر را معرفی می کنیم مشخصات نوسانات تصادفی برای کنترل ناهمگونی در خطاهای اندازه گیری و نوآوری در حالت های نهفته.با دقت مشخص شده Priors کوچک شدن اجازه می دهد تا مدل را به سمت یک همجنسگرا سوق دهد مشخصات ، در صورت پشتیبانی از داده ها.اندازه گیری ما از شکاف خروجی از نزدیک سایر اقدامات متداول را با تفاوت های اندک در بزرگی دنبال می کند و زمان بندیبرای ارزیابی اینکه آیا شکاف خروجی مبتنی بر مدل به پیش بینی کمک می کند تورم ، ما یک تمرین پیش بینی خارج از نمونه را انجام می دهیم.یافته ها نشان می دهد که رویکرد ما پیش بینی تورم برتر را دارد ، هر دو از نظر پیش بینی های نقطه و چگالی

This paper studies the estimation of causal parameters in the generalized local average treatment effect (GLATE) model, a generalization of the classical LATE model encompassing multi-valued treatment and instrument. We derive the efficient influence function (EIF) and the semiparametric efficiency bound (SPEB) for two types of parameters: local average structural function (LASF) and local average structural function for the treated (LASF-T). The moment condition generated by the EIF satisfies two robustness properties: double robustness and Neyman orthogonality. Based on the robust moment condition, we propose the double/debiased machine learning (DML) estimators for LASF and LASF-T. The DML estimator is semiparametric efficient and suitable for high dimensional settings. We also propose null-restricted inference methods that are robust against weak identification issues. As an empirical application, we study the effects across different sources of health insurance by applying the developed methods to the Oregon Health Insurance Experiment.

در این مقاله برآورد پارامترهای علی در تعمیم یافته بررسی شده است مدل اثر درمانی متوسط محلی (GLATE) ، تعمیم کلاسیک مدل دیررس شامل درمان و ابزار چند ارزشی است.ما استخراج می کنیم عملکرد تأثیر کارآمد (EIF) و بازده نیمهرامتری محدود است (SPEB) برای دو نوع پارامتر: عملکرد ساختاری متوسط محلی (LASF) و عملکرد ساختاری متوسط محلی برای درمان (LASF-T).لحظه شرط ایجاد شده توسط EIF دو خاصیت استحکام را برآورده می کند: دو برابر استحکام و ارتوگونی بودن Neyman.بر اساس شرایط لحظه ای قوی ، ما برآوردگرهای یادگیری ماشین مضاعف/debiased (DML) را برای LASF و LASF-Tبرآوردگر DML نیمه کارآمد و مناسب برای بالا است تنظیمات بعدی.ما همچنین روشهای استنباط محدود شده با تهی را پیشنهاد می کنیم که در برابر مسائل مربوط به شناسایی ضعیف قوی هستند.ما به عنوان یک برنامه تجربی ، ما اثرات موجود در منابع مختلف بیمه درمانی را با استفاده از روش هایی برای آزمایش بیمه درمانی اورگان ایجاد شده است.

This paper shows how to shrink extremum estimators towards inequality constraints motivated by economic theory. We propose an Inequality Constrained Shrinkage Estimator (ICSE) which takes the form of a weighted average between the unconstrained and inequality constrained estimators with the data dependent weight. The weight drives both the direction and degree of shrinkage. We use a local asymptotic framework to derive the asymptotic distribution and risk of the ICSE. We provide conditions under which the asymptotic risk of the ICSE is strictly less than that of the unrestricted extremum estimator. The degree of shrinkage cannot be consistently estimated under the local asymptotic framework. To address this issue, we propose a feasible plug-in estimator and investigate its finite sample behavior. We also apply our framework to gasoline demand estimation under the Slutsky restriction.

این مقاله نشان می دهد که چگونه می توان برآوردگرهای افراطی را به سمت نابرابری کوچک کرد محدودیت هایی که توسط تئوری اقتصادی ایجاد می شود.ما یک نابرابری را محدود می کنیم برآوردگر انقباض (ICSE) که به شکل متوسط وزنی بین برآوردگرهای محدود و نابرابری با وابسته به داده ها محدود شده است وزن.وزن هم جهت و هم درجه انقباض را هدایت می کند.ما از a استفاده می کنیم چارچوب بدون علامت محلی برای به دست آوردن توزیع بدون علامت و خطر از ICSEما شرایطی را فراهم می کنیم که تحت آن خطر بدون علامت ICSE قرار دارد کاملاً کمتر از برآوردگر افراطی بدون محدودیت.درجه کوچک شدن را نمی توان به طور مداوم تحت مجانبی محلی تخمین زد چارچوببرای پرداختن به این مسئله ، ما یک برآوردگر افزونه امکان پذیر پیشنهاد می کنیم و رفتار نمونه محدود آن را بررسی کنید.ما همچنین چارچوب خود را برای بنزین اعمال می کنیم برآورد تقاضا تحت محدودیت Slutsky.

This paper provides nonparametric identification results for random coefficient distributions in perturbed utility models. We cover discrete and continuous choice models. We establish identification using variation in mean quantities, and the results apply when an analyst observes aggregate demands but not whether goods are chosen together. We require exclusion restrictions and independence between random slope coefficients and random intercepts. We do not require regressors to have large supports or parametric assumptions.

در این مقاله نتایج شناسایی غیر پارامتری به صورت تصادفی ارائه شده است توزیع ضریب در مدلهای ابزار آشفته.ما گسسته را پوشش می دهیم و مدل های انتخاب مداوم.ما با استفاده از تغییر در میانگین شناسایی را ایجاد می کنیم مقادیر ، و نتایج هنگامی اعمال می شود که یک تحلیلگر تقاضای کل را مشاهده کند اما نه اینکه کالاها با هم انتخاب شوند.ما به محدودیت های محرومیت نیاز داریم و استقلال بین ضرایب شیب تصادفی و رهگیری های تصادفی.ما انجام می دهیم نیازی به رگرسیورها برای داشتن تکیه گاه های بزرگ یا فرضیات پارامتری نیست.

We propose two types of equal predictive ability (EPA) tests with panels to compare the predictions made by two forecasters. The first type, namely $S$-statistics, focuses on the overall EPA hypothesis which states that the EPA holds on average over all panel units and over time. The second, called $C$-statistics, focuses on the clustered EPA hypothesis where the EPA holds jointly for a fixed number of clusters of panel units. The asymptotic properties of the proposed tests are evaluated under weak and strong cross-sectional dependence. An extensive Monte Carlo simulation shows that the proposed tests have very good finite sample properties even with little information about the cross-sectional dependence in the data. The proposed framework is applied to compare the economic growth forecasts of the OECD and the IMF, and to evaluate the performance of the consumer price inflation forecasts of the IMF.

ما دو نوع تست پیش بینی مساوی (EPA) را با پانل ها پیشنهاد می کنیم پیش بینی های انجام شده توسط دو پیش بینی کننده را مقایسه کنید.نوع اول ، یعنی $ S $ -statistics ، بر فرضیه کلی EPA متمرکز است که بیان می کند EPA به طور متوسط بیش از همه واحدهای پانل و با گذشت زمان نگه می دارد.دوم ، نامیده می شود $ c $ -statistics ، بر فرضیه EPA خوشه ای که در آن سازمان حفاظت محیط زیست قرار دارد ، تمرکز دارد به طور مشترک برای تعداد مشخصی از خوشه های واحدهای پانل.بدون علامت خواص تست های پیشنهادی تحت ضعف و قوی ارزیابی می شود وابستگی مقطعی.یک شبیه سازی گسترده مونت کارلو نشان می دهد که تست های پیشنهادی حتی با کمی خاص از خصوصیات نمونه محدود بسیار خوبی برخوردار هستند اطلاعات مربوط به وابستگی مقطعی در داده ها.پیشنهاد چارچوب برای مقایسه پیش بینی های رشد اقتصادی OECD و صندوق بین المللی پول و ارزیابی عملکرد تورم قیمت مصرف کننده پیش بینی صندوق بین المللی پول.

This paper reviews, applies and extends recently proposed methods based on Double Machine Learning (DML) with a focus on program evaluation under unconfoundedness. DML based methods leverage flexible prediction models to adjust for confounding variables in the estimation of (i) standard average effects, (ii) different forms of heterogeneous effects, and (iii) optimal treatment assignment rules. An evaluation of multiple programs of the Swiss Active Labour Market Policy illustrates how DML based methods enable a comprehensive program evaluation. Motivated by extreme individualised treatment effect estimates of the DR-learner, we propose the normalised DR-learner (NDR-learner) to address this issue. The NDR-learner acknowledges that individualised effect estimates can be stabilised by an individualised normalisation of inverse probability weights.

در این مقاله ، روشهای پیشنهادی اخیراً بر اساس بررسی ، اعمال و گسترش می یابد یادگیری ماشین دوتایی (DML) با تمرکز بر ارزیابی برنامه در زیر نامشخص بودنروشهای مبتنی بر DML مدلهای پیش بینی انعطاف پذیر را به متغیرهای مخدوش را در تخمین میانگین استاندارد (i) تنظیم کنید اثرات ، (ب) اشکال مختلف اثرات ناهمگن ، و (iii) بهینه قوانین واگذاری درمان.ارزیابی چندین برنامه سوئیسی سیاست فعال بازار کار نشان می دهد که چگونه روشهای مبتنی بر DML یک را فعال می کنند ارزیابی جامع برنامه.با انگیزه درمان شدید فردی برآورد اثر DR-Learner ، ما DR-Learner نرمال را پیشنهاد می کنیم (NDR-Learner) برای رسیدگی به این موضوع.NDR-Learner اذعان می کند برآورد اثر فردی می تواند توسط یک فرد تثبیت شود عادی سازی وزن احتمال معکوس.

A unit root test is proposed for time series with a general nonlinear deterministic trend component. It is shown that asymptotically the pooled OLS estimator of overlapping blocks filters out any trend component that satisfies some Lipschitz condition. Under both fixed-$b$ and small-$b$ block asymptotics, the limiting distribution of the t-statistic for the unit root hypothesis is derived. Nuisance parameter corrections provide heteroskedasticity-robust tests, and serial correlation is accounted for by pre-whitening. A Monte Carlo study that considers slowly varying trends yields both good size and improved power results for the proposed tests when compared to conventional unit root tests.

آزمایش ریشه واحد برای سری های زمانی با یک غیرخطی عمومی ارائه شده است مؤلفه روند قطعی.نشان داده شده است که به صورت مجانبی OLS مخلوط شده برآوردگر بلوک های همپوشانی فیلترهای هر مؤلفه روند را که رضایت بخش است برخی از شرایط لیپشیتز.تحت هر دو ثابت-$ B $ و کوچک-$ B $ ANSMPTOTICS ، توزیع محدود کننده T-Statistic برای فرضیه ریشه واحد است نشات گرفته.اصلاحات پارامتر مزاحم ارائه هتروسکندیته-روبست آزمون ها ، و همبستگی سریال با استفاده از قبل از سفید کردن حساب می شود.یک مونت کارلو مطالعه ای که روندهای مختلف را به آرامی در نظر می گیرد ، هم اندازه خوبی را به دست می آورد و هم بهبود یافته است نتایج قدرت برای تست های پیشنهادی در مقایسه با ریشه واحد معمولی آزمون ها

We study the identification and estimation of treatment effect parameters in weakly separable models. In their seminal work, Vytlacil and Yildiz (2007) showed how to identify and estimate the average treatment effect of a dummy endogenous variable when the outcome is weakly separable in a single index. Their identification result builds on a monotonicity condition with respect to this single index. In comparison, we consider similar weakly separable models with multiple indices, and relax the monotonicity condition for identification. Unlike Vytlacil and Yildiz (2007), we exploit the full information in the distribution of the outcome variable, instead of just its mean. Indeed, when the outcome distribution function is more informative than the mean, our method is applicable to more general settings than theirs; in particular we do not rely on their monotonicity assumption and at the same time we also allow for multiple indices. To illustrate the advantage of our approach, we provide examples of models where our approach can identify parameters of interest whereas existing methods would fail. These examples include models with multiple unobserved disturbance terms such as the Roy model and multinomial choice models with dummy endogenous variables, as well as potential outcome models with endogenous random coefficients. Our method is easy to implement and can be applied to a wide class of models. We establish standard asymptotic properties such as consistency and asymptotic normality.

ما شناسایی و تخمین پارامترهای اثر درمانی را در مدل های ضعیف قابل جدا شدن.در کار اصلی خود ، Vytlacil و Yildiz (2007) نحوه شناسایی و تخمین میانگین اثر درمانی یک ساختگی را نشان داد متغیر درون زا هنگامی که نتیجه در یک شاخص واحد ضعیف است. نتیجه شناسایی آنها با توجه به شرایط یکنواختی بنا می شود این شاخص واحددر مقایسه ، ما مدل های مشابه قابل جدا شدن را در نظر می گیریم با چندین شاخص ، و شرایط یکنواختی را برای شناسایی آرامش دهید. برخلاف Vytlacil و Yildiz (2007) ، ما از اطلاعات کامل در توزیع متغیر نتیجه ، به جای فقط میانگین آن.در واقع ، چه زمانی عملکرد توزیع نتیجه از روش ما آموزنده تر است برای تنظیمات عمومی بیشتر از آنها قابل استفاده است.به طور خاص ما این کار را نمی کنیم به فرض یکنواختی آنها اعتماد کنید و در عین حال ما نیز اجازه می دهیم شاخص های متعددبرای نشان دادن مزیت رویکرد ما ، ما ارائه می دهیم نمونه هایی از مدل هایی که رویکرد ما می تواند پارامترهای مورد علاقه را شناسایی کند در حالی که روشهای موجود شکست می خورند.این مثالها شامل مدل هایی با چندین اصطلاح آشفتگی بدون نظارت مانند مدل روی و چندمجمی مدل های انتخاب با متغیرهای درون زا ساختگی و همچنین نتیجه بالقوه مدل هایی با ضرایب تصادفی درون زا.روش ما آسان است و می توان در یک کلاس گسترده از مدل ها اعمال شد.ما بدون علامت استاندارد ایجاد می کنیم خواصی مانند قوام و نرمال بودن بدون علامت.

We derive a feasible criterion for the bias-optimal selection of the tuning parameters involved in estimating the integrated volatility of the spot volatility via the simple realized estimator by Barndorff-Nielsen and Veraart (2009). Our analytic results are obtained assuming that the spot volatility is a continuous mean-reverting process and that consecutive local windows for estimating the spot volatility are allowed to overlap in a finite sample setting. Moreover, our analytic results support some optimal selections of tuning parameters prescribed in the literature, based on numerical evidence. Interestingly, it emerges that window-overlapping is crucial for optimizing the finite-sample bias of volatility-of-volatility estimates.

ما یک معیار امکان پذیر برای انتخاب تعصب-بهینه از تنظیم می کنیم پارامترهای درگیر در برآورد نوسانات یکپارچه نقطه نوسانات از طریق برآوردگر تحقق یافته ساده توسط Barndorff-Nielsen و Veraart (2009).نتایج تحلیلی ما با فرض اینکه نوسانات نقطه ای است به دست می آید یک فرآیند مداوم معنادار و آن پنجره های محلی متوالی برای تخمین نوسانات نقطه در یک نمونه محدود همپوشانی دارد تنظیمات.علاوه بر این ، نتایج تحلیلی ما از برخی از انتخاب های بهینه پشتیبانی می کند پارامترهای تنظیم شده در ادبیات ، بر اساس شواهد عددی. جالب اینجاست که پدید آمده است که پوشش پنجره برای بهینه سازی بسیار مهم است تعصب نمونه محدود از برآورد نوسانات-از بین بردن.

I set up a potential outcomes framework to analyze spillover effects using instrumental variables. I characterize the population compliance types in a setting in which spillovers can occur on both treatment take-up and outcomes, and provide conditions for identification of the marginal distribution of compliance types. I show that intention-to-treat (ITT) parameters aggregate multiple direct and spillover effects for different compliance types, and hence do not have a clear link to causally interpretable parameters. Moreover, rescaling ITT parameters by first-stage estimands generally recovers a weighted combination of average effects where the sum of weights is larger than one. I then analyze identification of causal direct and spillover effects under one-sided noncompliance, and show that causal effects can be estimated by 2SLS in this case. I illustrate the proposed methods using data from an experiment on social interactions and voting behavior. I also introduce an alternative assumption, independence of peers' types, that identifies parameters of interest under two-sided noncompliance by restricting the amount of heterogeneity in average potential outcomes.

من یک چارچوب نتایج بالقوه را برای تجزیه و تحلیل اثرات سرریز با استفاده از آن تنظیم کردم متغیرهای ابزاری.من انواع انطباق جمعیت را در یک توصیف می کنم تنظیماتی که در آن سرریزها می تواند در هر دو درمان و نتایج انجام شود ، و شرایطی را برای شناسایی توزیع حاشیه ای فراهم کنید انواع انطباقمن نشان می دهم که پارامترهای قصد به درمان (ITT) جمع می شوند چندین اثر مستقیم و سرریز برای انواع مختلف انطباق ، و از این رو پیوند روشنی با پارامترهای قابل تفسیر علیت ندارید.علاوه بر این، نجات پارامترهای ITT توسط برآوردهای مرحله اول به طور کلی یک وزنه برداری را بازیابی می کند ترکیبی از اثرات متوسط که در آن مجموع وزن ها از یک بزرگتر است.من سپس شناسایی اثرات مستقیم و سرریز علی را در زیر تجزیه و تحلیل کنید عدم رعایت یک طرفه ، و نشان می دهد که اثرات علی را می توان توسط 2SLS تخمین زد در این مورد.من روشهای پیشنهادی را با استفاده از داده های یک آزمایش نشان می دهم در تعامل اجتماعی و رفتار رأی گیری.من همچنین یک جایگزین را معرفی می کنم فرض ، استقلال از انواع همسالان ، که پارامترهای با محدود کردن میزان ، علاقه به عدم رعایت دو طرفه ناهمگونی در نتایج بالقوه متوسط.

This paper studies a class of linear panel models with random coefficients. We do not restrict the joint distribution of the time-invariant unobserved heterogeneity and the covariates. We investigate identification of the average partial effect (APE) when fixed-effect techniques cannot be used to control for the correlation between the regressors and the time-varying disturbances. Relying on control variables, we develop a constructive two-step identification argument. The first step identifies nonparametrically the conditional expectation of the disturbances given the regressors and the control variables, and the second step uses ``between-group'' variations, correcting for endogeneity, to identify the APE. We propose a natural semiparametric estimator of the APE, show its $\sqrt{n}$ asymptotic normality and compute its asymptotic variance. The estimator is computationally easy to implement, and Monte Carlo simulations show favorable finite sample properties. Control variables arise in various economic and econometric models, and we propose applications of our argument in several models. As an empirical illustration, we estimate the average elasticity of intertemporal substitution in a labor supply model with random coefficients.

در این مقاله یک کلاس از مدل های پانل خطی با ضرایب تصادفی بررسی شده است. ما توزیع مشترک بی نظیر زمان را محدود نمی کنیم ناهمگونی و متغیرهای متغیر.ما شناسایی میانگین را بررسی می کنیم اثر جزئی (APE) هنگامی که از تکنیک های اثر ثابت برای کنترل استفاده نمی شود همبستگی بین رگرسیونرها و اختلالات متغیر زمان. با تکیه بر متغیرهای کنترل ، ما یک شناسایی دو مرحله ای سازنده ایجاد می کنیم بحث و جدل.مرحله اول غیرعادی شرط را مشخص می کند انتظار از اختلالات با توجه به رگرسیونرها و متغیرهای کنترل ، و مرحله دوم از تغییرات "بین گروه" استفاده می کند ، و تصحیح می شود endogeneity ، برای شناسایی میمون.ما یک برآوردگر نیمهرامتری طبیعی پیشنهاد می کنیم از میمون ، $ \ sqrt {n} $ نرمال بودن بدون علامت را نشان داده و بدون علامت آن را محاسبه کنید واریانسبرآوردگر از نظر محاسباتی آسان است و مونت کارلو شبیه سازی خصوصیات نمونه محدود مطلوب را نشان می دهد.متغیرهای کنترل در بوجود می آیند مدلهای مختلف اقتصادی و اقتصادی ، و ما برنامه های خود را پیشنهاد می کنیم استدلال در چندین مدل.به عنوان یک تصویر تجربی ، ما تخمین می زنیم ارتجاعی متوسط تعویض بین قشر در یک مدل تأمین نیروی کار با ضرایب تصادفی.

In this paper, we build a new test of rational expectations based on the marginal distributions of realizations and subjective beliefs. This test is widely applicable, including in the common situation where realizations and beliefs are observed in two different datasets that cannot be matched. We show that whether one can rationalize rational expectations is equivalent to the distribution of realizations being a mean-preserving spread of the distribution of beliefs. The null hypothesis can then be rewritten as a system of many moment inequality and equality constraints, for which tests have been recently developed in the literature. The test is robust to measurement errors under some restrictions and can be extended to account for aggregate shocks. Finally, we apply our methodology to test for rational expectations about future earnings. While individuals tend to be right on average about their future earnings, our test strongly rejects rational expectations.

در این مقاله ، ما یک آزمایش جدید از انتظارات منطقی بر اساس توزیع حاشیه ای از تحقق و اعتقادات ذهنی.این آزمون است به طور گسترده ای قابل اجرا است ، از جمله در شرایط مشترک که تحقق و اعتقادات در دو مجموعه داده مختلف مشاهده می شود که نمی توان آنها را هماهنگ کرد.ما نشان می دهیم اینکه آیا فرد می تواند انتظارات منطقی را منطقی کند ، معادل آن است توزیع تحقق بخشیدن به یک گسترش متوسط از توزیع اعتقاداتفرضیه تهی سپس می تواند به عنوان سیستم بسیاری بازنویسی شود نابرابری لحظه ای و محدودیت های برابری ، که اخیراً تست ها انجام شده است در ادبیات توسعه یافته است.این آزمایش برای خطاهای اندازه گیری در زیر قوی است برخی از محدودیت ها و می توان آن را برای شوک های کل گسترش داد.سرانجام، ما از روش خود برای آزمایش انتظارات منطقی در مورد آینده استفاده می کنیم درآمددر حالی که افراد تمایل دارند به طور متوسط در مورد آینده خود درست باشند درآمدها ، آزمون ما به شدت انتظارات منطقی را رد می کند.

Random forest regression (RF) is an extremely popular tool for the analysis of high-dimensional data. Nonetheless, its benefits may be lessened in sparse settings due to weak predictors, and a pre-estimation dimension reduction (targeting) step is required. We show that proper targeting controls the probability of placing splits along strong predictors, thus providing an important complement to RF's feature sampling. This is supported by simulations using representative finite samples. Moreover, we quantify the immediate gain from targeting in terms of increased strength of individual trees. Macroeconomic and financial applications show that the bias-variance trade-off implied by targeting, due to increased correlation among trees in the forest, is balanced at a medium degree of targeting, selecting the best 10--30\% of commonly applied predictors. Improvements in predictive accuracy of targeted RF relative to ordinary RF are considerable, up to 12-13\%, occurring both in recessions and expansions, particularly at long horizons.

رگرسیون جنگلی تصادفی (RF) ابزاری بسیار محبوب برای تجزیه و تحلیل است از داده های با ابعاد بالابا این وجود ، مزایای آن ممکن است به صورت پراکنده کاهش یابد تنظیمات به دلیل پیش بینی های ضعیف و کاهش بعد تخمین (هدف قرار دادن) مرحله لازم است.ما نشان می دهیم که هدف گذاری مناسب کنترل می کند احتمال قرار دادن تقسیمات در امتداد پیش بینی کننده های قوی ، بنابراین فراهم می کند مکمل مهم برای نمونه گیری ویژگی RF.این توسط شبیه سازی ها پشتیبانی می شود با استفاده از نمونه های محدود نماینده.علاوه بر این ، ما سود فوری را تعیین می کنیم از هدف قرار دادن از نظر افزایش استحکام درختان فردی. برنامه های کاربردی کلان اقتصادی و مالی نشان می دهد که تجارت تعصب و تغییر دلالت بر هدف قرار دادن ، به دلیل افزایش همبستگی بین درختان در جنگل ، در یک درجه متوسط از هدف قرار می گیرد و بهترین 10-30 \ ٪ از آنها را انتخاب می کند پیش بینی کننده های معمولاً اعمال می شود.پیشرفت در دقت پیش بینی RF هدفمند نسبت به RF معمولی قابل توجه است ، تا 12-13 \ ٪ ، در هر دو اتفاق می افتد رکود اقتصادی و گسترش ، به ویژه در افق های طولانی.

We propose a doubly robust inference method for causal effects of continuous treatment variables, under unconfoundedness and with nonparametric or high-dimensional nuisance functions. Our double debiased machine learning (DML) estimators for the average dose-response function (or the average structural function) and the partial effects are asymptotically normal with non-parametric convergence rates. The first-step estimators for the nuisance conditional expectation function and the conditional density can be nonparametric or ML methods. Utilizing a kernel-based doubly robust moment function and cross-fitting, we give high-level conditions under which the nuisance function estimators do not affect the first-order large sample distribution of the DML estimators. We provide sufficient low-level conditions for kernel, series, and deep neural networks. We justify the use of kernel to localize the continuous treatment at a given value by the Gateaux derivative. We implement various ML methods in Monte Carlo simulations and an empirical application on a job training program evaluation

ما یک روش استنباط دو برابر قوی برای اثرات علّی مداوم پیشنهاد می کنیم متغیرهای درمانی ، تحت نامحسوس و با غیر پارامتری یا توابع مزاحمت با ابعاد بالا.یادگیری ماشین مضاعف ما (DML) برآوردگرها برای عملکرد متوسط پاسخ دوز (یا میانگین ساختاری عملکرد) و اثرات جزئی با غیر پارامتری از نظر غیر عادی طبیعی است نرخ همگرایی.برآوردگرهای مرحله اول برای شرط مزاحمت عملکرد انتظار و چگالی شرطی می تواند غیرپارامتری یا ML باشد مواد و روش ها.با استفاده از یک عملکرد لحظه مضاعف مبتنی بر هسته و متناسب با متناسب ، ما شرایط سطح بالایی را ارائه می دهیم که تحت آن عملکرد مزاحمت است برآوردگرها بر توزیع نمونه بزرگ مرتبه اول DML تأثیر نمی گذارند برآوردگرهاما شرایط کم سطح کافی را برای هسته ، سری ، و شبکه های عصبی عمیق.ما استفاده از هسته را برای بومی سازی مداوم توجیه می کنیم درمان با یک مقدار معین توسط مشتق Gateaux.ما ML مختلف را پیاده سازی می کنیم روشها در شبیه سازی مونت کارلو و یک کاربرد تجربی در یک کار ارزیابی برنامه آموزشی

In this article, we study the limiting behavior of Bai (2009)'s interactive fixed effects estimator in the presence of randomly missing data. In extensive simulation experiments, we show that the inferential theory derived by Bai (2009) and Moon and Weidner (2017) approximates the behavior of the estimator fairly well. However, we find that the fraction and pattern of randomly missing data affect the performance of the estimator. Additionally, we use the interactive fixed effects estimator to reassess the baseline analysis of Acemoglu et al. (2019). Allowing for a more general form of unobserved heterogeneity as the authors, we confirm significant effects of democratization on growth.

در این مقاله ، رفتار محدود کننده تعاملی بای (2009) را مطالعه می کنیم برآوردگر اثرات ثابت در حضور داده های تصادفی از دست رفته.گسترده آزمایش های شبیه سازی ، ما نشان می دهیم که نظریه استنباطی حاصل از بای (2009) و مون و ویدنر (2017) رفتار برآوردگر را تقریب می دهد نسبتا خوب.با این حال ، ما می دانیم که کسری و الگوی تصادفی از دست رفته است داده ها بر عملکرد برآوردگر تأثیر می گذارد.علاوه بر این ، ما از برآوردگر اثرات ثابت تعاملی برای ارزیابی مجدد تجزیه و تحلیل پایه Acemoglu و همکاران.(2019).اجازه دادن به یک شکل کلی تر از غیرقانونی ناهمگونی به عنوان نویسندگان ، ما تأثیرات قابل توجهی از دموکراتیک سازی را تأیید می کنیم در مورد رشد

The paper presents an empirical investigation of telecommuting frequency choices by post-secondary students in Toronto. It uses a dataset collected through a large-scale travel survey conducted on post-secondary students of four major universities in Toronto and it employs multiple alternative econometric modelling techniques for the empirical investigation. Results contribute on two fronts. Firstly, it presents empirical investigations of factors affecting telecommuting frequency choices of post-secondary students that are rare in literature. Secondly, it identifies better a performing econometric modelling technique for modelling telecommuting frequency choices. Empirical investigation clearly reveals that telecommuting for school related activities is prevalent among post-secondary students in Toronto. Around 80 percent of 0.18 million of the post-secondary students of the region, who make roughly 36,000 trips per day, also telecommute at least once a week. Considering that large numbers of students need to spend a long time travelling from home to campus with around 33 percent spending more than two hours a day on travelling, telecommuting has potential to enhance their quality of life. Empirical investigations reveal that car ownership and living farther from the campus have similar positive effects on the choice of higher frequency of telecommuting. Students who use a bicycle for regular travel are least likely to telecommute, compared to those using transit or a private car.

در این مقاله یک تحقیق تجربی از فرکانس ارتباط از راه دور ارائه شده است انتخاب دانشجویان پس از دوره متوسطه در تورنتو.از یک مجموعه داده جمع آوری شده استفاده می کند از طریق یک بررسی سفر در مقیاس بزرگ که در دانشجویان بعد از متوسطه انجام شده است چهار دانشگاه بزرگ در تورنتو و از آن گزینه های مختلفی استفاده می کند تکنیک های مدل سازی اقتصاد سنجی برای تحقیقات تجربی.نتایج در دو جبهه کمک کنید.اولا ، تحقیقات تجربی از عوامل مؤثر بر انتخاب فرکانس ارتباط از راه دور دانشجویان پس از متوسطه که در ادبیات نادر است.ثانیا ، عملکرد بهتری را مشخص می کند تکنیک مدل سازی اقتصاد سنجی برای مدل سازی گزینه های فرکانس ارتباط از راه دور. تحقیقات تجربی به وضوح نشان می دهد که ارتباط از راه دور برای مدرسه فعالیت ها در بین دانشجویان بعد از متوسطه در تورنتو شیوع دارد.حدود 80 درصد 0.18 میلیون نفر از دانشجویان پس از دوره متوسطه منطقه ، که می سازند تقریباً 36000 سفر در روز ، همچنین حداقل یک بار در هفته از راه دور. با توجه به اینکه تعداد زیادی از دانش آموزان باید مدت زمان زیادی را صرف سفر کنند از خانه به دانشگاه با حدود 33 درصد بیش از دو ساعت در روز در سفر ، ارتباط از راه دور پتانسیل ارتقاء کیفیت زندگی آنها را دارد. تحقیقات تجربی نشان می دهد که مالکیت ماشین و زندگی دورتر از پردیس اثرات مثبت مشابهی در انتخاب فرکانس بالاتر دارد ارتباط از راه دوردانش آموزانی که برای سفر منظم از دوچرخه استفاده می کنند ، کمترین احتمال دارد از راه دور ، در مقایسه با کسانی که از ترانزیت یا یک ماشین خصوصی استفاده می کنند.

The existing theory of penalized quantile regression for longitudinal data has focused primarily on point estimation. In this work, we investigate statistical inference. We propose a wild residual bootstrap procedure and show that it is asymptotically valid for approximating the distribution of the penalized estimator. The model puts no restrictions on individual effects, and the estimator achieves consistency by letting the shrinkage decay in importance asymptotically. The new method is easy to implement and simulation studies show that it has accurate small sample behavior in comparison with existing procedures. Finally, we illustrate the new approach using U.S. Census data to estimate a model that includes more than eighty thousand parameters.

نظریه موجود رگرسیون کمی مجازات شده برای داده های طولی در درجه اول بر تخمین نقطه متمرکز شده است.در این کار ، ما تحقیق می کنیم استنباط آماری.ما یک روش بوت استستراپ باقیمانده وحشی را پیشنهاد می کنیم و نشان می دهیم که برای تقریب توزیع آن به صورت مجانبی معتبر است برآوردگر مجازات شده.این مدل هیچ محدودیتی در مورد اثرات فردی ایجاد نمی کند ، و برآوردگر با اجازه دادن به پوسیدگی در اهمیت ، به قوام می رسد به طور متناوب.روش جدید به راحتی قابل اجرا است و مطالعات شبیه سازی نشان می دهد که در مقایسه با موجود ، رفتار نمونه ای دقیق دارد رویه هاسرانجام ، ما رویکرد جدید را با استفاده از داده های سرشماری ایالات متحده نشان می دهیم مدلی را تخمین بزنید که شامل بیش از هشتاد هزار پارامتر باشد.

Social and emotional learning (SEL) programs teach disruptive students to improve their classroom behavior. Small-scale programs in high-income countries have been shown to improve treated students' behavior and academic outcomes. Using a randomized experiment, we show that a nationwide SEL program in Chile has no effect on eligible students. We find evidence that very disruptive students may hamper the program's effectiveness. ADHD, a disorder correlated with disruptiveness, is much more prevalent in Chile than in high-income countries, so very disruptive students may be more present in Chile than in the contexts where SEL programs have been shown to work.

برنامه های یادگیری اجتماعی و عاطفی (SEL) به دانشجویان مختل کننده آموزش می دهد رفتار کلاس خود را بهبود بخشید.برنامه های در مقیاس کوچک در کشورهای با درآمد بالا نشان داده شده است که باعث بهبود رفتار دانشجویان و نتایج دانشگاهی می شود. با استفاده از یک آزمایش تصادفی ، ما نشان می دهیم که یک برنامه SEL در سراسر کشور در شیلی هیچ تاثیری در دانشجویان واجد شرایط ندارد.ما شواهدی پیدا می کنیم که بسیار مختل کننده است دانش آموزان ممکن است کارآیی برنامه را مختل کنند.ADHD ، یک اختلال در ارتباط است با اختلاط ، در شیلی بسیار شیوع دارد تا با درآمد بالا کشورها ، بنابراین دانش آموزان بسیار مختل کننده ممکن است بیشتر در شیلی حضور داشته باشند زمینه هایی که برنامه های SEL نشان داده شده است.

This paper develops theoretical criteria and econometric methods to rank policy interventions in terms of welfare when individuals are loss-averse. Our new criterion for "loss aversion-sensitive dominance" defines a weak partial ordering of the distributions of policy-induced gains and losses. It applies to the class of welfare functions which model individual preferences with non-decreasing and loss-averse attitudes towards changes in outcomes. We also develop new statistical methods to test loss aversion-sensitive dominance in practice, using nonparametric plug-in estimates; these allow inference to be conducted through a special resampling procedure. Since point-identification of the distribution of policy-induced gains and losses may require strong assumptions, we extend our comparison criteria, test statistics, and resampling procedures to the partially-identified case. We illustrate our methods with a simple empirical application to the welfare comparison of alternative income support programs in the US.

این مقاله معیارهای نظری و روشهای اقتصاد سنجی را برای رتبه بندی تدوین می کند مداخلات سیاست از نظر رفاه هنگامی که افراد از بین می روند.ما معیار جدید برای "تسلط حساس به ضرر" یک جزئی ضعیف را تعریف می کند سفارش توزیع سود و زیان ناشی از سیاست.در مورد آن صدق می کند کلاس توابع رفاهی که ترجیحات فردی را با آنها مدل می کند نگرش های غیر کاهش دهنده و از دست دادن نسبت به تغییرات در نتایج.ما همچنین روشهای جدید آماری را برای آزمایش تسلط حساسیت به از دست دادن در ضرر ایجاد کنید تمرین ، با استفاده از برآوردهای پلاگین غیر پارامتری.اینها اجازه می دهند استنتاج باشد انجام شده از طریق یک روش رزمی ویژه.از آنجا که شناسایی نقطه از توزیع سود و زیان ناشی از سیاست ممکن است به قوی نیاز داشته باشد فرضیات ، ما معیارهای مقایسه خود ، آمار آزمون و استفاده مجدد را گسترش می دهیم رویه های مربوط به پرونده تا حدی شناسایی شده.ما روشهای خود را با یک نشان می دهیم کاربرد تجربی ساده برای مقایسه رفاهی درآمد جایگزین برنامه های پشتیبانی در ایالات متحده.

We propose an estimation procedure for discrete choice models of differentiated products with possibly high-dimensional product attributes. In our model, high-dimensional attributes can be determinants of both mean and variance of the indirect utility of a product. The key restriction in our model is that the high-dimensional attributes affect the variance of indirect utilities only through finitely many indices. In a framework of the random-coefficients logit model, we show a bound on the error rate of a $l_1$-regularized minimum distance estimator and prove the asymptotic linearity of the de-biased estimator.

ما یک روش تخمین را برای مدلهای انتخاب گسسته پیشنهاد می کنیم محصولات متمایز با ویژگی های محصول احتمالاً با ابعاد بالا.که در مدل ما ، ویژگی های با ابعاد بالا می تواند عوامل تعیین کننده میانگین و واریانس ابزار غیرمستقیم یک محصول.محدودیت اصلی در مدل ما این است که ویژگی های با ابعاد بالا بر واریانس غیرمستقیم تأثیر می گذارد آب و برق فقط از طریق شاخص های ظریف.در یک چارچوب از مدل ورود به سیستم های تصادفی ، ما به میزان خطای a محدود می کنیم $ l_1 $ حداقل برآوردگر فاصله تنظیم شده و خطی بدون علامت را اثبات می کند از برآوردگر غیر مغرضانه.

We simulate a simplified version of the price process including bubbles and crashes proposed in Kreuser and Sornette (2018). The price process is defined as a geometric random walk combined with jumps modelled by separate, discrete distributions associated with positive (and negative) bubbles. The key ingredient of the model is to assume that the sizes of the jumps are proportional to the bubble size. Thus, the jumps tend to efficiently bring back excess bubble prices close to a normal or fundamental value (efficient crashes). This is different from existing processes studied that assume jumps that are independent of the mispricing. The present model is simplified compared to Kreuser and Sornette (2018) in that we ignore the possibility of a change of the probability of a crash as the price accelerates above the normal price. We study the behaviour of investment strategies that maximize the expected log of wealth (Kelly criterion) for the risky asset and a risk-free asset. We show that the method behaves similarly to Kelly on Geometric Brownian Motion in that it outperforms other methods in the long-term and it beats classical Kelly. As a primary source of outperformance, we determine knowledge about the presence of crashes, but interestingly find that knowledge of only the size, and not the time of occurrence, already provides a significant and robust edge. We then perform an error analysis to show that the method is robust with respect to variations in the parameters. The method is most sensitive to errors in the expected return.

ما یک نسخه ساده از فرآیند قیمت از جمله حباب ها و تصادفات پیشنهادی در Kreuser و Sornette (2018).روند قیمت تعریف شده است به عنوان یک پیاده روی تصادفی هندسی همراه با پرش های مدل شده توسط جداگانه ، گسسته توزیع های مرتبط با حباب های مثبت (و منفی).کلید ماده این مدل فرض بر این است که اندازه های پرش ها هستند متناسب با اندازه حباب.بنابراین ، پرش ها تمایل دارند که به طور مؤثر بازگردند قیمت حباب بیش از حد نزدیک به یک ارزش طبیعی یا اساسی (کارآمد تصادفات)این متفاوت از فرآیندهای موجود مورد مطالعه است که پرش ها را فرض می کند که مستقل از سوءاستفاده ها هستند.مدل حاضر ساده شده است در مقایسه با Kreuser and Sornette (2018) به این دلیل که ما احتمال وجود را نادیده می گیریم تغییر احتمال تصادف به دلیل تسریع قیمت بالاتر از حد معمول قیمت.ما رفتار استراتژی های سرمایه گذاری را که به حداکثر می رسد مطالعه می کنیم ورود به سیستم ثروت (معیار کلی) برای دارایی پرخطر و بدون ریسک داراییما نشان می دهیم که این روش به طور مشابه با کلی در هندسی براونیان رفتار می کند حرکت در این روش از روشهای دیگر در طولانی مدت بهتر عمل می کند و ضرب و شتم می شود کلی کلاسیک.به عنوان منبع اصلی عملکرد بهتر ، ما دانش را تعیین می کنیم در مورد وجود تصادفات ، اما جالب است که دانش فقط اندازه ، و نه زمان وقوع ، در حال حاضر قابل توجهی و لبه قویسپس ما یک تجزیه و تحلیل خطا انجام می دهیم تا نشان دهیم که این روش است با توجه به تغییرات در پارامترها قوی.روش بیشتر است حساس به خطاها در بازده مورد انتظار.

The article reviews the history of well-being to gauge how subjective question surveys can improve our understanding of well-being in Mexico. The research uses data at the level of the 32 federal entities or States, taking advantage of the heterogeneity in development indicator readings between and within geographical areas, the product of socioeconomic inequality. The data come principally from two innovative subjective questionnaires, BIARE and ENVIPE, which intersect in their fully representative state-wide applications in 2014, but also from conventional objective indicator sources such as the HDI and conventional surveys. This study uses two approaches, a descriptive analysis of a state-by-state landscape of indicators, both subjective and objective, in an initial search for stand-out well-being patterns, and an econometric study of a large selection of mainly subjective indicators inspired by theory and the findings of previous Mexican research. Descriptive analysis confirms that subjective well-being correlates strongly with and complements objective data, providing interesting directions for analysis. The econometrics literature indicates that happiness increases with income and satisfying of material needs as theory suggests, but also that Mexicans are relatively happy considering their mediocre incomes and high levels of insecurity, the last of which, by categorizing according to satisfaction with life, can be shown to impact poorer people disproportionately. The article suggests that well-being is a complex, multidimensional construct which can be revealed by using exploratory multi-regression and partial correlations models which juxtapose subjective and objective indicators.

مقاله به بررسی تاریخچه بهزیستی برای سنجش چگونگی ذهنی می پردازد نظرسنجی های سؤال می تواند درک ما از بهزیستی در مکزیک را بهبود بخشد.در تحقیقات از داده ها در سطح 32 نهاد فدرال یا ایالت استفاده می کند. مزیت ناهمگونی در خوانش شاخص توسعه بین و در مناطق جغرافیایی ، محصول نابرابری اقتصادی و اقتصادی.داده به طور عمده از دو پرسشنامه ذهنی نوآورانه ، biare و Envipe ، که در برنامه های کاملاً نماینده خود در سطح کشور تقاطع می کنند در سال 2014 ، اما همچنین از منابع شاخص عینی متعارف مانند HDI و نظرسنجی های متعارفاین مطالعه از دو رویکرد ، توصیفی استفاده می کند تجزیه و تحلیل چشم انداز دولتی به ایالت از شاخص ها ، هم ذهنی و هم هدف ، در جستجوی اولیه برای الگوهای بهزیستی مستقل ، و مطالعه اقتصاد سنجی از انتخاب زیادی از شاخص های ذهنی که الهام گرفته شده اند توسط تئوری و یافته های تحقیقات قبلی مکزیک.تجزیه و تحلیل توصیفی تأیید می کند که بهزیستی ذهنی به شدت با آن ارتباط دارد و مکمل داده های عینی ، ارائه دستورالعمل های جالب برای تجزیه و تحلیل.اقتصاد سنجی ادبیات نشان می دهد که خوشبختی با درآمد و رضایت از آن افزایش می یابد نیازهای مادی همانطور که تئوری نشان می دهد ، اما همچنین مکزیکی ها نسبتاً خوشحال هستند با توجه به درآمد متوسط و سطح بالای ناامنی آنها ، آخرین مورد که با طبقه بندی با توجه به رضایت از زندگی می توان نشان داد تأثیر نامتناسب مردم فقیرتر.مقاله نشان می دهد که بهزیستی یک سازه پیچیده و چند بعدی است که با استفاده از آن می تواند آشکار شود مدل های چند رگرسیون اکتشافی و همبستگی های جزئی که مخلوط می شوند شاخص های ذهنی و عینی.

This chapter reviews the microeconometrics literature on partial identification, focusing on the developments of the last thirty years. The topics presented illustrate that the available data combined with credible maintained assumptions may yield much information about a parameter of interest, even if they do not reveal it exactly. Special attention is devoted to discussing the challenges associated with, and some of the solutions put forward to, (1) obtain a tractable characterization of the values for the parameters of interest which are observationally equivalent, given the available data and maintained assumptions; (2) estimate this set of values; (3) conduct test of hypotheses and make confidence statements. The chapter reviews advances in partial identification analysis both as applied to learning (functionals of) probability distributions that are well-defined in the absence of models, as well as to learning parameters that are well-defined only in the context of particular models. A simple organizing principle is highlighted: the source of the identification problem can often be traced to a collection of random variables that are consistent with the available data and maintained assumptions. This collection may be part of the observed data or be a model implication. In either case, it can be formalized as a random set. Random set theory is then used as a mathematical framework to unify a number of special results and produce a general methodology to carry out partial identification analysis.

در این فصل به بررسی ادبیات خرد اقتصادی در مورد جزئی می پردازیم شناسایی ، با تمرکز بر تحولات سی سال گذشته.در مباحث ارائه شده نشان می دهد که داده های موجود همراه با معتبر فرضیات حفظ شده ممکن است اطلاعات زیادی در مورد یک پارامتر از علاقه ، حتی اگر آنها دقیقاً آن را فاش نکنند.توجه ویژه اختصاص داده شده است برای بحث در مورد چالش های مرتبط با آن ، و برخی از راه حل ها به جلو ، (1) خصوصیات قابل ردیابی از مقادیر را بدست آورید پارامترهای مورد علاقه که از نظر مشاهده ای معادل هستند ، با توجه به داده های موجود و فرضیات حفظ شده ؛(2) این مجموعه از مقادیر را تخمین بزنید.(3) آزمایش فرضیه ها را انجام دهید و اظهارات اعتماد به نفس انجام دهید.بررسی های فصل پیشرفت در تجزیه و تحلیل شناسایی جزئی هر دو در یادگیری کاربردی (عملکردهای) توزیع احتمال که در غیاب به خوبی تعریف شده اند از مدل ها ، و همچنین به پارامترهای یادگیری که فقط در آن تعریف شده اند زمینه مدل های خاص.یک اصل سازماندهی ساده برجسته شده است: منبع مشکل شناسایی اغلب می تواند در مجموعه ای از آن ردیابی شود متغیرهای تصادفی که با داده های موجود سازگار هستند و حفظ می شوند فرضیاتاین مجموعه ممکن است بخشی از داده های مشاهده شده باشد یا یک مدل باشد پیامد.در هر صورت ، می توان آن را به عنوان یک مجموعه تصادفی رسمی کرد.مجموعه تصادفی تئوری سپس به عنوان یک چارچوب ریاضی برای متحد کردن تعدادی از ویژه ها استفاده می شود نتایج و تولید یک روش کلی برای انجام شناسایی جزئی تحلیل و بررسی.

A common approach to estimation of economic models is to calibrate a sub-set of model parameters and keep them fixed when estimating the remaining parameters. Calibrated parameters likely affect conclusions based on the model but estimation time often makes a systematic investigation of the sensitivity to calibrated parameters infeasible. I propose a simple and computationally low-cost measure of the sensitivity of parameters and other objects of interest to the calibrated parameters. In the main empirical application, I revisit the analysis of life-cycle savings motives in Gourinchas and Parker (2002) and show that some estimates are sensitive to calibrations.

یک رویکرد مشترک برای برآورد مدلهای اقتصادی ، کالیبراسیون زیر مجموعه است از پارامترهای مدل و در هنگام برآورد باقی مانده ، آنها را ثابت نگه دارید مولفه های.پارامترهای کالیبره شده به احتمال زیاد بر اساس مدل تأثیر می گذارد اما زمان تخمین اغلب یک تحقیق منظم از حساسیت انجام می دهد به پارامترهای کالیبره شده غیرقابل تحمل.من یک ساده و محاسباتی پیشنهاد می کنم اندازه کم هزینه حساسیت پارامترها و سایر اشیاء مورد علاقه به پارامترهای کالیبره شده.در برنامه اصلی تجربی ، من دوباره مرور می کنم تجزیه و تحلیل انگیزه های پس انداز چرخه زندگی در Gourinchas و Parker (2002) و نمایش که برخی تخمین ها به کالیبراسیون حساس هستند.

We develop a concept of weak identification in linear IV models in which the number of instruments can grow at the same rate or slower than the sample size. We propose a jackknifed version of the classical weak identification-robust Anderson-Rubin (AR) test statistic. Large-sample inference based on the jackknifed AR is valid under heteroscedasticity and weak identification. The feasible version of this statistic uses a novel variance estimator. The test has uniformly correct size and good power properties. We also develop a pre-test for weak identification that is related to the size property of a Wald test based on the Jackknife Instrumental Variable Estimator (JIVE). This new pre-test is valid under heteroscedasticity and with many instruments.

ما مفهومی از شناسایی ضعیف را در مدلهای خطی IV ایجاد می کنیم که در آن تعداد ابزارها می توانند با همان سرعت یا کندتر از اندازه نمونه رشد کنند. ما یک نسخه jackknifed از شناسایی ضعیف کلاسیک-روبست پیشنهاد می کنیم آمار آزمون اندرسون-روبین (AR).استنباط نمونه بزرگ بر اساس AR jackknifed تحت عنوان ناهمسانگرد و شناسایی ضعیف معتبر است.در نسخه امکان پذیر از این آمار از یک برآوردگر واریانس جدید استفاده می کند.امتحان دارای اندازه یکنواخت و خاصیت قدرت خوب است.ما همچنین توسعه می دهیم پیش آزمون برای شناسایی ضعیف که مربوط به خاصیت اندازه یک والد است آزمون بر اساس برآوردگر متغیر ابزار Jackknife (JIVE).این جدید پیش آزمون تحت ناهمگونی و با ابزارهای زیادی معتبر است.

We study the role and drivers of persistence in the extensive margin of bilateral trade. Motivated by a stylized heterogeneous firms model of international trade with market entry costs, we consider dynamic three-way fixed effects binary choice models and study the corresponding incidental parameter problem. The standard maximum likelihood estimator is consistent under asymptotics where all panel dimensions grow at a constant rate, but it has an asymptotic bias in its limiting distribution, invalidating inference even in situations where the bias appears to be small. Thus, we propose two different bias-corrected estimators. Monte Carlo simulations confirm their desirable statistical properties. We apply these estimators in a reassessment of the most commonly studied determinants of the extensive margin of trade. Both true state dependence and unobserved heterogeneity contribute considerably to trade persistence and taking this persistence into account matters significantly in identifying the effects of trade policies on the extensive margin.

ما نقش و محرکهای ماندگاری را در حاشیه گسترده مطالعه می کنیم تجارت دو جانبهبا ایجاد یک مدل شرکت های ناهمگن تلطیف شده از تجارت بین المللی با هزینه های ورود به بازار ، ما سه طرفه پویا را در نظر می گیریم اثرات ثابت مدلهای انتخاب باینری و مطالعه حادثه مربوطه مشکل پارامتربرآوردگر حداکثر احتمال استاندارد سازگار است در زیر بدون علامت که در آن همه ابعاد پانل با سرعت ثابت رشد می کنند ، اما آن تعصب بدون علامت در توزیع محدود خود دارد و استنباط را باطل می کند حتی در شرایطی که به نظر می رسد تعصب کوچک است.بنابراین ، ما دو پیشنهاد می کنیم برآوردگرهای مختلف تعصب.شبیه سازی مونت کارلو آنها را تأیید می کند خواص آماری مطلوب.ما این برآوردگرها را در یک ارزیابی مجدد اعمال می کنیم از رایج ترین عوامل تعیین کننده حاشیه گسترده تجارت. هر دو وابستگی به حالت واقعی و ناهمگونی بدون نظارت به طور قابل توجهی کمک می کنند برای تجارت پایداری و در نظر گرفتن این پایداری مسائل مربوط به امور به طور قابل توجهی در شناسایی اثرات سیاست های تجاری بر روی گسترده لبه.

This paper examines methods of inference concerning quantile treatment effects (QTEs) in randomized experiments with matched-pairs designs (MPDs). Standard multiplier bootstrap inference fails to capture the negative dependence of observations within each pair and is therefore conservative. Analytical inference involves estimating multiple functional quantities that require several tuning parameters. Instead, this paper proposes two bootstrap methods that can consistently approximate the limit distribution of the original QTE estimator and lessen the burden of tuning parameter choice. Most especially, the inverse propensity score weighted multiplier bootstrap can be implemented without knowledge of pair identities.

در این مقاله روشهای استنباط در مورد درمان کمی بررسی شده است اثرات (QTES) در آزمایشات تصادفی با طرح های جفت همسان (MPD). استنتاج بوت استرپ چند برابر استاندارد نمی تواند منفی را ضبط کند وابستگی به مشاهدات در هر جفت و بنابراین محافظه کارانه است. استنتاج تحلیلی شامل تخمین مقادیر عملکردی متعدد است که به چندین پارامتر تنظیم نیاز دارید.در عوض ، این مقاله دو بوت استرپ را پیشنهاد می کند روش هایی که می توانند به طور مداوم توزیع حد مجاز را تقریبی کنند برآوردگر QTE اصلی و بار انتخاب پارامتر تنظیم را کاهش می دهد.اکثر به خصوص ، بوت استرپ چند برابر وزن معکوس می تواند باشد بدون اطلاع از هویت جفت اجرا شد.

In this paper we investigate potential changes which may have occurred over the last two decades in the probability mass of the right tail of the wage distribution, through the analysis of the corresponding tail index. In specific, a conditional tail index estimator is introduced which explicitly allows for right tail censoring (top-coding), which is a feature of the widely used current population survey (CPS), as well as of other surveys. Ignoring the top-coding may lead to inconsistent estimates of the tail index and to under or over statements of inequality and of its evolution over time. Thus, having a tail index estimator that explicitly accounts for this sample characteristic is of importance to better understand and compute the tail index dynamics in the censored right tail of the wage distribution. The contribution of this paper is threefold: i) we introduce a conditional tail index estimator that explicitly handles the top-coding problem, and evaluate its finite sample performance and compare it with competing methods; ii) we highlight that the factor values used to adjust the top-coded wage have changed over time and depend on the characteristics of individuals, occupations and industries, and propose suitable values; and iii) we provide an in-depth empirical analysis of the dynamics of the US wage distribution's right tail using the public-use CPS database from 1992 to 2017.

در این مقاله ما تغییرات احتمالی را که ممکن است بیش از حد رخ داده باشد بررسی می کنیم دو دهه گذشته در جرم احتمال دم راست دستمزد توزیع ، از طریق تجزیه و تحلیل شاخص دم مربوطه.که در خاص ، یک برآوردگر شاخص دم مشروط معرفی شده است که صریحاً اجازه سانسور دم راست (کدگذاری بالا) را می دهد ، که از ویژگی های گسترده ای است از بررسی فعلی جمعیت (CPS) و همچنین سایر نظرسنجی ها استفاده شده است.نادیده گرفتن کدگذاری بالا ممکن است منجر به تخمین های متناقض از شاخص دم و زیر یا شود بیش از اظهارات نابرابری و تکامل آن با گذشت زمان.بنابراین ، داشتن یک برآوردگر شاخص دم که صریحاً این ویژگی نمونه را به خود اختصاص می دهد از اهمیت برای درک بهتر و محاسبه پویایی شاخص دم در دم راست سانسور توزیع دستمزد.سهم این مقاله است سه برابر: i) ما یک برآوردگر شاخص دم مشروط را معرفی می کنیم که صریحاً مشکل کدگذاری بالا را برطرف می کند و عملکرد نمونه محدود آن را ارزیابی می کند و آن را با روش های رقابتی مقایسه کنید.ii) ما برجسته می کنیم که مقادیر فاکتور استفاده شده برای تنظیم دستمزد بالای کد با گذشت زمان تغییر کرده و به آن بستگی دارد ویژگی های افراد ، مشاغل و صنایع و پیشنهادات مقادیر مناسب ؛و iii) ما یک تجزیه و تحلیل تجربی عمیق از پویایی دم راست توزیع دستمزد ایالات متحده با استفاده از CPS با استفاده عمومی پایگاه داده از 1992 تا 2017.

Can uncertainty about credit availability trigger a slowdown in real activity? This question is answered by using a novel method to identify shocks to uncertainty in access to credit. Time-variation in uncertainty about credit availability is estimated using particle Markov Chain Monte Carlo. We extract shocks to time-varying credit uncertainty and decompose it into two parts: the first captures the "pure" effect of a shock to the second moment; the second captures total effects of uncertainty including effects on the first moment. Using state-dependent local projections, we find that the "pure" effect by itself generates a sharp slowdown in real activity and the effects are largely countercyclical. We feed the estimated shocks into a flexible price real business cycle model with a collateral constraint and show that when the collateral constraint binds, an uncertainty shock about credit access is recessionary leading to a simultaneous decline in consumption, investment, and output.

آیا عدم اطمینان در مورد اعتبار اعتبار می تواند باعث کاهش سرعت واقعی شود فعالیت؟این سوال با استفاده از یک روش جدید برای شناسایی شوک ها پاسخ داده می شود به عدم اطمینان در دسترسی به اعتبار.تغییر زمان در عدم اطمینان در مورد اعتبار در دسترس بودن با استفاده از زنجیره ذرات مارکوف مونت کارلو تخمین زده می شود.ما استخراج می کنیم شوک به عدم اطمینان اعتبار متغیر و آن را به دو بخش تجزیه می کند: اول اثر "خالص" یک شوک را تا لحظه دوم ضبط می کند.دومین اثرات کل عدم اطمینان از جمله اثرات در لحظه اول را ضبط می کند. با استفاده از پیش بینی های محلی وابسته به دولت ، می فهمیم که اثر "خالص" توسط خود باعث کاهش سرعت شدید در فعالیت واقعی می شود و اثرات آن تا حد زیادی است ضد چرخه.ما شوک های تخمین زده شده را به یک قیمت انعطاف پذیر واقعی تغذیه می کنیم مدل چرخه تجارت با محدودیت وثیقه و نشان می دهد که وقتی محدودیت وثیقه متصل است ، شوک عدم اطمینان در مورد دسترسی به اعتبار رکود اقتصادی منجر به کاهش همزمان مصرف ، سرمایه گذاری و خروجی

This paper shows that utilizing information on the extensive margin of financially constrained households can narrow down the set of admissible preferences in a large class of macroeconomic models. Estimates based on Spanish aggregate data provide further empirical support for this result and suggest that accounting for this margin can bring estimates closer to microeconometric evidence. Accounting for financial constraints and the extensive margin is shown to matter for empirical asset pricing and quantifying distortions in financial markets.

این مقاله نشان می دهد که استفاده از اطلاعات در مورد حاشیه گسترده خانواده های محدود مالی می توانند مجموعه پذیرش را محدود کنند ترجیحات در کلاس بزرگی از مدلهای کلان اقتصادی.برآوردها بر اساس داده های کل اسپانیایی پشتیبانی تجربی بیشتری را برای این نتیجه ارائه می دهد و نشان می دهد که حسابداری برای این حاشیه می تواند تخمین ها را به هم نزدیک کند شواهد خرد اقتصادی.حسابداری برای محدودیت های مالی و حاشیه گسترده برای قیمت گذاری دارایی تجربی و کمیت نشان داده شده است تحریف در بازارهای مالی.

Assessing the trend of the COVID-19 pandemic and policy effectiveness is essential for both policymakers and stock investors, but challenging because the crisis has unfolded with extreme speed and the previous index was not suitable for measuring policy effectiveness for COVID-19. This paper builds an index of policy effectiveness on fighting COVID-19 pandemic, whose building method is similar to the index of Policy Uncertainty, based on province-level paper documents released in China from Jan.1st to Apr.16th of 2020. This paper also studies the relationships among COVID-19 daily confirmed cases, stock market volatility, and document-based policy effectiveness in China. This paper uses the DCC-GARCH model to fit conditional covariance's change rule of multi-series. This paper finally tests four hypotheses, about the time-space difference of policy effectiveness and its overflow effect both on the COVID-19 pandemic and stock market. Through the inner interaction of this triad structure, we can bring forward more specific and scientific suggestions to maintain stability in the stock market at such exceptional times.

ارزیابی روند همه گیر Covid-19 و اثربخشی سیاست است هم برای سیاست گذاران و هم برای سرمایه گذاران سهام ضروری است ، اما چالش برانگیز است این بحران با سرعت شدید آشکار شده است و شاخص قبلی نبوده است مناسب برای اندازه گیری اثربخشی سیاست برای COVID-19.این مقاله ساخته شده است شاخص اثربخشی سیاست در مبارزه با بیماری همه گیر Covid-19 ، که ساختمان آن روش مشابه شاخص عدم قطعیت سیاست ، بر اساس سطح استان است اسناد مقاله ای که از ژانویه تا 16 آوریل 2020 در چین منتشر شده است. این مقاله همچنین روابط بین موارد تأیید شده روزانه Covid-19 را مطالعه می کند ، سهام نوسانات بازار و اثربخشی سیاست مبتنی بر اسناد در چین.این کاغذ از مدل DCC-Garch برای متناسب با قانون تغییر کواریانس مشروط استفاده می کند چند سری.این مقاله سرانجام چهار فرضیه را در مورد زمان زمان آزمایش می کند تفاوت اثربخشی سیاست و تأثیر سرریز آن هر دو در COVID-19 همه گیر و بورس سهام.از طریق تعامل درونی این سه گانه ساختار ، ما می توانیم پیشنهادات خاص و علمی تری را ارائه دهیم حفظ ثبات در بورس در چنین مواقع استثنایی.

We develop a generalization of unobserved components models that allows for a wide range of long-run dynamics by modelling the permanent component as a fractionally integrated process. The model does not require stationarity and can be cast in state space form. In a multivariate setup, fractional trends may yield a cointegrated system. We derive the Kalman filter estimator for the common fractionally integrated component and establish consistency and asymptotic (mixed) normality of the maximum likelihood estimator. We apply the model to extract a common long-run component of three US inflation measures, where we show that the $I(1)$ assumption is likely to be violated for the common trend.

ما تعمیم مدل های مؤلفه های بدون محافظت را ایجاد می کنیم که امکان پذیر است طیف گسترده ای از دینامیک بلند مدت با مدل سازی مؤلفه دائمی به عنوان فرآیند یکپارچه کسری.مدل نیازی به ثابت بودن ندارد و می توان به شکل فضایی ایالتی ریخته شد.در یک تنظیم چند متغیره ، روند کسری ممکن است یک سیستم یکپارچه را به دست می آورد.ما برآوردگر فیلتر کالمن را برای مؤلفه یکپارچه مشترک مشترک و سازگاری و نرمال بودن بدون علامت (مختلط) از برآوردگر حداکثر احتمال.ما اعمال می کنیم مدل برای استخراج یک مؤلفه طولانی مدت از سه اقدام تورم ایالات متحده ، جایی که ما نشان می دهیم که فرض I (1) $ احتمالاً برای روند مشترک

Using HILDA data for the years 2001, 2006, 2010, 2014 and 2017, we compute posterior probabilities for dominance for all pairwise comparisons of income distributions in these years. The dominance criteria considered are Lorenz dominance and first and second order stochastic dominance. The income distributions are estimated using an infinite mixture of gamma density functions, with posterior probabilities computed as the proportion of Markov chain Monte Carlo draws that satisfy the inequalities that define the dominance criteria. We find welfare improvements from 2001 to 2006 and qualified improvements from 2006 to the later three years. Evidence of an ordering between 2010, 2014 and 2017 cannot be established.

با استفاده از داده های هیلدا برای سالهای 2001 ، 2006 ، 2010 ، 2014 و 2017 ، ما محاسبه می کنیم احتمالات خلفی برای تسلط برای همه مقایسه های زوج درآمد توزیع در این سالها.معیارهای تسلط در نظر گرفته شده لورنز است تسلط و تسلط تصادفی مرتبه اول و دوم.درآمد توزیع با استفاده از مخلوط بی نهایت از تراکم گاما تخمین زده می شود توابع ، با احتمالات خلفی به عنوان نسبت مارکوف محاسبه می شود زنجیره ای مونت کارلو ترسیم می کند که نابرابری هایی را که تسلط را تعریف می کند ، برآورده می کند شاخص.ما پیشرفت های رفاهی را از سال 2001 تا 2006 پیدا می کنیم و واجد شرایط است پیشرفت های سال 2006 تا سه سال بعد.شواهدی از سفارش بین سالهای 2010 ، 2014 و 2017 قابل اثبات نیست.

We combine high-dimensional factor models with fractional integration methods and derive models where nonstationary, potentially cointegrated data of different persistence is modelled as a function of common fractionally integrated factors. A two-stage estimator, that combines principal components and the Kalman filter, is proposed. The forecast performance is studied for a high-dimensional US macroeconomic data set, where we find that benefits from the fractional factor models can be substantial, as they outperform univariate autoregressions, principal components, and the factor-augmented error-correction model.

ما مدلهای فاکتور با ابعاد بالا را با روشهای ادغام کسری ترکیب می کنیم و مدلهایی را که در آن داده های غیرقانونی ، بالقوه یکپارچه از پایداری متفاوت به عنوان تابعی از کسری مشترک مدل می شود عوامل یکپارچهیک برآوردگر دو مرحله ای ، که اجزای اصلی را ترکیب می کند و فیلتر کالمن پیشنهاد شده است.عملکرد پیش بینی برای a مطالعه شده است مجموعه داده های کلان اقتصادی با ابعاد بالا ایالات متحده ، جایی که می دانیم که از آن بهره می بریم مدل های فاکتور کسری می توانند قابل توجه باشند ، زیرا آنها نسبت به غیر متغیر بهتر عمل می کنند اتورژها ، مؤلفه های اصلی و فاکتور Augmented مدل اصلاح خطا.

We develop a generalization of correlated trend-cycle decompositions that avoids prior assumptions about the long-run dynamic characteristics by modelling the permanent component as a fractionally integrated process and incorporating a fractional lag operator into the autoregressive polynomial of the cyclical component. The model allows for an endogenous estimation of the integration order jointly with the other model parameters and, therefore, no prior specification tests with respect to persistence are required. We relate the model to the Beveridge-Nelson decomposition and derive a modified Kalman filter estimator for the fractional components. Identification, consistency, and asymptotic normality of the maximum likelihood estimator are shown. For US macroeconomic data we demonstrate that, unlike $I(1)$ correlated unobserved components models, the new model estimates a smooth trend together with a cycle hitting all NBER recessions. While $I(1)$ unobserved components models yield an upward-biased signal-to-noise ratio whenever the integration order of the data-generating mechanism is greater than one, the fractionally integrated model attributes less variation to the long-run shocks due to the fractional trend specification and a higher variation to the cycle shocks due to the fractional lag operator, leading to more persistent cycles and smooth trend estimates that reflect macroeconomic common sense.

ما یک تعمیم از تجزیه چرخه روند همبسته ایجاد می کنیم که از فرضیات قبلی در مورد خصوصیات پویا بلند مدت توسط مدل سازی مؤلفه دائمی به عنوان یک فرآیند یکپارچه و یکپارچه ترکیب یک اپراتور تاخیر کسری در چند جمله ای خودگردان مؤلفه چرخه ای.این مدل امکان تخمین درون زا از سفارش ادغام مشترک با پارامترهای مدل دیگر و بنابراین ، خیر آزمون مشخصات قبلی با توجه به پایداری لازم است.دیر کردیم مدل به تجزیه Beveridge-Nelson و یک کالمن اصلاح شده برآوردگر فیلتر برای اجزای کسری.شناسایی ، قوام ، و نرمال بودن بدون علامت از برآوردگر حداکثر احتمال نشان داده شده است.برای ما داده های کلان اقتصادی ما نشان می دهیم که برخلاف $ I (1) $ با هم ارتباط ندارد مدل های مؤلفه ، مدل جدید روند صافی را با یک چرخه تخمین می زند ضربه زدن به همه رکودهای NBER.در حالی که $ i (1) $ $ غیر قابل کنترل مدل های تولید کننده نسبت سیگنال به نویز به سمت بالا هر زمان که ترتیب ادغام مکانیسم تولید داده بیشتر از یک است ، یکپارچه یکپارچه ویژگی های مدل به دلیل کسری ، تنوع کمتری در شوکهای بلند مدت دارد مشخصات روند و تغییر بالاتر در شوکهای چرخه به دلیل اپراتور تاخیر کسری ، که منجر به چرخه مداوم تر و روند صاف می شود تخمین هایی که منعکس کننده عقل سلیم کلان است.

This paper investigates the construction of moment conditions in discrete choice panel data with individual specific fixed effects. We describe how to systematically explore the existence of moment conditions that do not depend on the fixed effects, and we demonstrate how to construct them when they exist. Our approach is closely related to the numerical "functional differencing" construction in Bonhomme (2012), but our emphasis is to find explicit analytic expressions for the moment functions. We first explain the construction and give examples of such moment conditions in various models. Then, we focus on the dynamic binary choice logit model and explore the implications of the moment conditions for identification and estimation of the model parameters that are common to all individuals.

در این مقاله به بررسی شرایط لحظه ای در گسسته می پردازیم داده های پانل انتخاب با جلوه های ثابت خاص فردی.ما شرح می دهیم که چگونه به طور سیستماتیک وجود شرایط لحظه ای را که به آن بستگی ندارد کشف کنید اثرات ثابت ، و ما نشان می دهیم که چگونه می توان آنها را هنگام وجود ساخت. رویکرد ما از نزدیک با "تفاوت عملکردی" عددی مرتبط است ساخت و ساز در Bonhomme (2012) ، اما تأکید ما یافتن تحلیلی صریح است عبارات مربوط به عملکرد لحظه ای.ما ابتدا ساخت و ساز را توضیح می دهیم و نمونه هایی از چنین شرایط لحظه ای را در مدل های مختلف ارائه دهید.سپس ، ما روی آن تمرکز می کنیم مدل logit انتخاب باینری پویا و پیامدهای آن را کشف کنید شرایط لحظه ای برای شناسایی و تخمین پارامترهای مدل که برای همه افراد رایج است.

One of the most important empirical findings in microeconometrics is the pervasiveness of heterogeneity in economic behaviour (cf. Heckman 2001). This paper shows that cumulative distribution functions and quantiles of the nonparametric unobserved heterogeneity have an infinite efficiency bound in many structural economic models of interest. The paper presents a relatively simple check of this fact. The usefulness of the theory is demonstrated with several relevant examples in economics, including, among others, the proportion of individuals with severe long term unemployment duration, the average marginal effect and the proportion of individuals with a positive marginal effect in a correlated random coefficient model with heterogenous first-stage effects, and the distribution and quantiles of random coefficients in linear, binary and the Mixed Logit models. Monte Carlo simulations illustrate the finite sample implications of our findings for the distribution and quantiles of the random coefficients in the Mixed Logit model.

یکی از مهمترین یافته های تجربی در ریزونومتری فراگیر بودن ناهمگونی در رفتار اقتصادی (ر.ک: هکمن 2001).این مقاله نشان می دهد که توابع توزیع تجمعی و مقدار کمی از ناهمگونی غیر پارامتری بدون بازده نامتناهی محدود در بسیاری از مدلهای اقتصادی ساختاری مورد علاقه.مقاله نسبتاً ارائه شده است بررسی ساده این واقعیت.سودمندی این تئوری با چندین نمونه مرتبط در اقتصاد ، از جمله ، از جمله دیگر ، نسبت از افراد دارای مدت زمان بیکاری طولانی مدت ، میانگین اثر حاشیه ای و نسبت افراد دارای حاشیه مثبت اثر در یک مدل ضریب تصادفی همبسته با مرحله اول ناهمگن اثرات ، و توزیع و مقادیر ضرایب تصادفی در خطی ، مدلهای باینری و مخلوط مخلوط.شبیه سازی های مونت کارلو نشان می دهد پیامدهای نمونه محدود یافته های ما برای توزیع و مقدار از ضرایب تصادفی در مدل ورود به سیستم مختلط.

We derive sharp bounds on the non consumption utility component in an extended Roy model of sector selection. We interpret this non consumption utility component as a compensating wage differential. The bounds are derived under the assumption that potential utilities in each sector are (jointly) stochastically monotone with respect to an observed selection shifter. The research is motivated by the analysis of women's choice of university major, their under representation in mathematics intensive fields, and the impact of role models on choices and outcomes. To illustrate our methodology, we investigate the cost of STEM fields with data from a German graduate survey, and using the mother's education level and the proportion of women on the STEM faculty at the time of major choice as selection shifters.

ما مرزهای تیز را در مؤلفه ابزار غیر مصرف در یک به دست می آوریم مدل Roy Extended از انتخاب بخش.ما این مصرف غیر مصرف را تفسیر می کنیم مؤلفه ابزار به عنوان یک دیفرانسیل دستمزد جبران کننده.مرزها مشتق شده اند با این فرض که برنامه های بالقوه در هر بخش (به طور مشترک) هستند یکنواختی یکنواخت با توجه به یک تغییر دهنده انتخاب مشاهده شده.در تحقیقات با تجزیه و تحلیل انتخاب زنان در دانشگاه عمده ، انگیزه می یابد ، نمایندگی آنها در زمینه های فشرده ریاضیات ، و تأثیر آن مدل های نقش در گزینه ها و نتایج.برای نشان دادن روش خود ، ما هزینه زمینه های STEM را با داده های یک نظرسنجی از فارغ التحصیلان آلمانی بررسی کنید ، و با استفاده از سطح تحصیلات مادر و نسبت زنان در STEM دانشکده در زمان انتخاب عمده به عنوان شیفت های انتخاب.

This paper provides new uniform rate results for kernel estimators of absolutely regular stationary processes that are uniform in the bandwidth and in infinite-dimensional classes of dependent variables and regressors. Our results are useful for establishing asymptotic theory for two-step semiparametric estimators in time series models. We apply our results to obtain nonparametric estimates and their rates for Expected Shortfall processes.

در این مقاله نتایج جدید یکنواخت برای برآوردگرهای هسته ارائه شده است فرآیندهای ثابت کاملاً منظم که در پهنای باند یکنواخت هستند و در کلاسهای بی نهایت متغیرهای وابسته و رگرسیون.ما نتایج برای ایجاد نظریه بدون علامت برای دو مرحله مفید است برآوردگرهای نیمهرامتری در مدل های سری زمانی.ما نتایج خود را برای به دست آوردن اعمال می کنیم برآوردهای غیرپارامتری و نرخ آنها برای فرآیندهای کمبود مورد انتظار.

Control variables are included in regression analyses to estimate the causal effect of a treatment on an outcome. In this article, we argue that the estimated effect sizes of control variables are unlikely to have a causal interpretation themselves though. This is because even valid controls are possibly endogenous and therefore represent a combination of several different causal mechanisms operating jointly on the outcome, which is hard to interpret theoretically. We recommend to refrain from reporting marginal effects of controls in regression tables and to focus exclusively on the variables of interest in the results sections of quantitative research papers. Moreover, we advise against using control variable estimates for subsequent theory building and meta-analyses.

متغیرهای کنترل در تجزیه و تحلیل رگرسیون برای برآورد علیت درج شده اند تأثیر یک درمان بر نتیجه.در این مقاله ، ما استدلال می کنیم که اندازه اثر تخمین زده شده از متغیرهای کنترل بعید است که دارای یک علت باشد هر چند خود تفسیر.این امر به این دلیل است که حتی کنترل های معتبر نیز هستند احتمالاً درون زا است و بنابراین ترکیبی از چندین مختلف را نشان می دهد مکانیسم های علی که به طور مشترک بر روی نتیجه کار می کنند ، که تفسیر آن دشوار است از نظر تئوری.توصیه می کنیم از گزارش اثرات حاشیه ای خودداری کنید کنترل در جداول رگرسیون و تمرکز منحصراً روی متغیرهای علاقه به بخش نتایج مقالات تحقیقاتی کمی.علاوه بر این ، ما مشاوره در مورد استفاده از تخمین های متغیر کنترل برای ساختمان تئوری بعدی و متاآنالیز

The aim of this paper is to investigate the use of the Factor Analysis in order to identify the role of the relevant macroeconomic variables in driving the inflation. The Macroeconomic predictors that usually affect the inflation are summarized using a small number of factors constructed by the principal components. This allows us to identify the crucial role of money growth, inflation expectation and exchange rate in driving the inflation. Then we use this factors to build econometric models to forecast inflation. Specifically, we use univariate and multivariate models such as classical autoregressive, Factor models and FAVAR models. Results of forecasting suggest that models which incorporate more economic information outperform the benchmark. Furthermore, causality test and impulse response are performed in order to examine the short-run dynamics of inflation to shocks in the principal factors.

هدف از این مقاله بررسی استفاده از تحلیل عاملی در برای شناسایی نقش متغیرهای کلان اقتصادی مربوط در رانندگی تورمپیش بینی کننده های کلان اقتصادی که معمولاً بر تورم تأثیر می گذارند با استفاده از تعداد کمی از عوامل ساخته شده توسط مدیر خلاصه می شوند اجزاء.این به ما امکان می دهد نقش مهم رشد پول را شناسایی کنیم ، انتظار تورم و نرخ ارز در رانندگی تورم.سپس ما استفاده می کنیم این عوامل برای ایجاد مدل های اقتصاد سنجی برای پیش بینی تورم.به طور مشخص، ما از مدلهای تک متغیره و چند متغیره مانند خودجوش کلاسیک استفاده می کنیم ، مدل های فاکتور و مدل های FAVAR.نتایج پیش بینی نشان می دهد که مدل ها که شامل اطلاعات اقتصادی بیشتر از معیار است. علاوه بر این ، آزمایش علیت و پاسخ ضربه به منظور انجام پویایی کوتاه مدت تورم را به شوک در عوامل اصلی بررسی کنید.

Precipitated by rapid globalization, rising inequality, population growth, and longevity gains, social protection programs have been on the rise in low- and middle-income countries (LMICs) in the last three decades. However, the introduction of public benefits could displace informal mechanisms for risk-protection, which are especially prevalent in LMICs. If the displacement of private transfers is considerably large, the expansion of social protection programs could even lead to social welfare loss. In this paper, we critically survey the recent empirical literature on crowd-out effects in response to public policies, specifically in the context of LMICs. We review and synthesize patterns from the behavioral response to various types of social protection programs. Furthermore, we specifically examine for heterogeneous treatment effects by important socioeconomic characteristics. We conclude by drawing on lessons from our synthesis of studies. If poverty reduction objectives are considered, along with careful program targeting that accounts for potential crowd-out effects, there may well be a net social gain.

با جهانی سازی سریع ، افزایش نابرابری ، رشد جمعیت ، و افزایش طول عمر ، برنامه های حمایت اجتماعی در حال افزایش است و کشورهای با درآمد متوسط (LMIC) در سه دهه گذشته.با این حال معرفی مزایای عمومی می تواند مکانیسم های غیررسمی را برای محافظت از خطر ، که به ویژه در LMIC شیوع دارند.اگر جابجایی نقل و انتقالات خصوصی به طور قابل توجهی زیاد است ، گسترش حمایت اجتماعی برنامه ها حتی می توانند منجر به از دست دادن رفاه اجتماعی شوند.در این مقاله ، ما به طور انتقادی بررسی ادبیات تجربی اخیر در مورد اثرات جمعیت در پاسخ به سیاست های عمومی ، به طور خاص در زمینه LMIC.ما مرور و سنتز می کنیم الگوهای پاسخ رفتاری به انواع مختلف حمایت اجتماعی برنامه ها.علاوه بر این ، ما به طور خاص درمان ناهمگن را بررسی می کنیم اثرات توسط ویژگی های مهم اقتصادی و اقتصادی.ما با ترسیم نتیجه می گیریم درس از سنتز مطالعات ما.اگر اهداف کاهش فقر باشد در نظر گرفته شده ، همراه با هدف قرار دادن برنامه دقیق که پتانسیل را به خود اختصاص می دهد اثرات جمعیتی ، ممکن است یک سود اجتماعی خالص وجود داشته باشد.

The estimation of the causal effect of an endogenous treatment based on an instrumental variable (IV) is often complicated by attrition, sample selection, or non-response in the outcome of interest. To tackle the latter problem, the latent ignorability (LI) assumption imposes that attrition/sample selection is independent of the outcome conditional on the treatment compliance type (i.e. how the treatment behaves as a function of the instrument), the instrument, and possibly further observed covariates. As a word of caution, this note formally discusses the strong behavioral implications of LI in rather standard IV models. We also provide an empirical illustration based on the Job Corps experimental study, in which the sensitivity of the estimated program effect to LI and alternative assumptions about outcome attrition is investigated.

تخمین اثر علی یک درمان درون زا بر اساس یک متغیر ابزاری (IV) اغلب با جذابیت ، انتخاب نمونه پیچیده است ، یا عدم پاسخ در نتیجه علاقه.برای مقابله با مشکل دوم ، فرض ناآگاهی نهفته (LI) فرض می کند که انتخاب/انتخاب نمونه است مستقل از نتیجه مشروط به نوع انطباق درمان (یعنی. چگونه درمان به عنوان تابعی از ابزار رفتار می کند) ، ابزار و احتمالاً متغیرهای متغیر بیشتر مشاهده شده است.به عنوان یک کلمه احتیاط ، این یادداشت به طور رسمی در مورد پیامدهای رفتاری قوی LI در IV نسبتاً استاندارد بحث می کند مدل ها.ما همچنین یک تصویر تجربی را بر اساس سپاه کار ارائه می دهیم مطالعه تجربی ، که در آن حساسیت اثر برنامه تخمین زده شده به فرضیات لی و جایگزین در مورد جذابیت نتیجه بررسی شده است.

Common approaches to inference for structural and reduced-form parameters in empirical economic analysis are based on the consistency and the root-n asymptotic normality of the GMM and M estimators. The canonical consistency (respectively, root-n asymptotic normality) for these classes of estimators requires at least the first (respectively, second) moment of the score to be finite. In this article, we present a method of testing these conditions for the consistency and the root-n asymptotic normality of the GMM and M estimators. The proposed test controls size nearly uniformly over the set of data generating processes that are compatible with the null hypothesis. Simulation studies support this theoretical result. Applying the proposed test to the market share data from the Dominick's Finer Foods retail chain, we find that a common \textit{ad hoc} procedure to deal with zero market shares in analysis of differentiated products markets results in a failure to satisfy the conditions for both the consistency and the root-n asymptotic normality.

رویکردهای متداول برای استنتاج پارامترهای ساختاری و کاهش یافته در تجزیه و تحلیل اقتصادی تجربی مبتنی بر قوام و root-n است نرمال بودن بدون علامت برآوردگرهای GMM و M.قوام متعارف (به ترتیب ، نرمال بودن بدون علامت ریشه) برای این کلاسهای برآوردگرها حداقل به اولین لحظه (به ترتیب ، دوم) نمره نیاز دارد محدود، فانی.در این مقاله ، ما یک روش آزمایش این شرایط را ارائه می دهیم قوام و عادی بودن root-n بدون علامت GMM و M برآوردگرهاتست پیشنهادی اندازه تقریباً یکنواخت را بر روی مجموعه کنترل می کند فرآیندهای تولید داده که با فرضیه تهی سازگار هستند. مطالعات شبیه سازی از این نتیجه نظری پشتیبانی می کند.استفاده از آزمون پیشنهادی ما می توانیم به داده های اشتراک بازار از زنجیره خرده فروشی ظریف تر Dominick's Chain Foods که یک روش مشترک \ textit {ad hoc} برای مقابله با سهام بازار صفر در تجزیه و تحلیل بازارهای محصولات متمایز منجر به عدم رضایت از شرایط هم برای قوام و هم برای نرمال بودن بدون علامت ریشه.

The paper analyses the efficiency of extension programs in the adoption of chemical fertilisers in Ethiopia between 1994 and 2004. Fertiliser adoption provides a suitable strategy to ensure and stabilize food production in remote vulnerable areas. Extension services programs have a long history in supporting the application of fertiliser. How-ever, their efficiency is questioned. In our analysis, we focus on seven villages with a considerable time lag in fertiliser diffusion. Using matching techniques avoids sample selection bias in the comparison of treated (households received extension service) and controlled households. Additionally to common factors, measures of culture, proxied by ethnicity and religion, aim to control for potential tensions between extension agents and peasants that hamper the efficiency of the program. We find a considerable impact of extension service on the first fertiliser adoption. The impact is consistent for five of seven villages.

در این مقاله ، کارآیی برنامه های توسعه در تصویب تجزیه و تحلیل شده است کودهای شیمیایی در اتیوپی بین سالهای 1994 تا 2004 یک استراتژی مناسب برای اطمینان و تثبیت تولید مواد غذایی در راه دور فراهم می کند مناطق آسیب پذیربرنامه های خدمات پسوند سابقه طولانی در پشتیبانی دارند استفاده از کود.هرچه ، کارآیی آنها زیر سوال می رود.در ما تجزیه و تحلیل ، ما روی هفت روستا با تاخیر زمانی قابل توجه در کود تمرکز می کنیم انتشاراستفاده از تکنیک های تطبیق از تعصب انتخاب نمونه در مقایسه تحت درمان (خانوارها خدمات پسوند دریافت کرده اند) و کنترل می شوند خانوارهاعلاوه بر عوامل مشترک ، اقدامات فرهنگ ، که توسط قومیت و دین ، با هدف کنترل تنش های احتمالی بین گسترش نمایندگان و دهقانان که مانع کارآیی برنامه می شوند.ما پیدا می کنیم تأثیر قابل توجهی از خدمات پسوند در اولین پذیرش کود.در تأثیر برای پنج از هفت روستا سازگار است.

The Economic Policy Uncertainty index had gained considerable traction with both academics and policy practitioners. Here, we analyse news feed data to construct a simple, general measure of uncertainty in the United States using a highly cited machine learning methodology. Over the period January 1996 through May 2020, we show that the series unequivocally Granger-causes the EPU and there is no Granger-causality in the reverse direction

شاخص عدم قطعیت سیاست اقتصادی با کشش قابل توجهی روبرو شده بود هم دانشگاهیان و هم متخصصان سیاست.در اینجا ، ما داده های فید خبری را به تجزیه و تحلیل می کنیم یک اندازه گیری ساده و کلی از عدم اطمینان در ایالات متحده با استفاده از a ایجاد کنید روش یادگیری ماشین بسیار استناد شده.در دوره ژانویه 1996 تا مه 2020 ، ما نشان می دهیم که این سریال به طور واضح و نادیده گرفته می شود EPU و در جهت معکوس هیچ گونه نارسانی وجود ندارد

This article studies tail behavior for the error components in the stochastic frontier model, where one component has bounded support on one side, and the other has unbounded support on both sides. Under weak assumptions on the error components, we derive nonparametric tests that the unbounded component distribution has thin tails and that the component tails are equivalent. The tests are useful diagnostic tools for stochastic frontier analysis. A simulation study and an application to a stochastic cost frontier for 6,100 US banks from 1998 to 2005 are provided. The new tests reject the normal or Laplace distributional assumptions, which are commonly imposed in the existing literature.

در این مقاله رفتار دم برای اجزای خطا در تصادفی بررسی شده است مدل مرزی ، که در آن یک مؤلفه از یک طرف پشتیبانی محدود دارد و پشتیبانی دیگر از هر دو طرف حمایت بی حد و حصر دارد.تحت فرضیات ضعیف در مورد خطا مؤلفه ها ، ما تست های غیرپارامتری را انجام می دهیم که جزء بی حد و حصر توزیع دارای دم نازک است و دم مؤلفه معادل است.در آزمایشات ابزارهای تشخیصی مفیدی برای تجزیه و تحلیل مرزهای تصادفی هستند.آ مطالعه شبیه سازی و کاربردی برای یک مرز هزینه تصادفی برای 6،100 ایالات متحده بانکها از سال 1998 تا 2005 ارائه شده است.تست های جدید عادی را رد می کنند فرضیات توزیع لاپلاس ، که معمولاً در موجود تحمیل می شوند ادبیات.

This paper constructs internationally consistent measures of macroeconomic uncertainty. Our econometric framework extracts uncertainty from revisions in data obtained from standardized national accounts. Applying our model to post-WWII real-time data, we estimate macroeconomic uncertainty for 39 countries. The cross-country dimension of our uncertainty data allows us to study the impact of uncertainty shocks under different employment protection legislation. Our empirical findings suggest that the effects of uncertainty shocks are stronger and more persistent in countries with low employment protection compared to countries with high employment protection. These empirical findings are in line with a theoretical model under varying firing cost.

این مقاله اقدامات سازگار در سطح بین المللی از کلان اقتصادی ایجاد می کند عدم قطعیت.چارچوب اقتصاد سنجی ما عدم اطمینان از تجدید نظر در داده های به دست آمده از حساب های ملی استاندارد.استفاده از مدل ما در داده های پس از جنگ جهانی دوم ، ما عدم اطمینان کلان اقتصادی را برای 39 تخمین می زنیم کشورها.ابعاد متقاطع داده های عدم اطمینان ما به ما امکان می دهد تأثیر شوک های عدم اطمینان را تحت حمایت از اشتغال مختلف مطالعه کنید قانون گذاری.یافته های تجربی ما نشان می دهد که اثرات عدم اطمینان شوک ها در کشورهایی با اشتغال کم قوی تر و پایدار هستند حمایت در مقایسه با کشورهایی که از اشتغال بالا برخوردار هستند.اینها یافته های تجربی مطابق با یک مدل نظری تحت شلیک متفاوت است هزینه.

Time-varying parameter (TVP) models often assume that the TVPs evolve according to a random walk. This assumption, however, might be questionable since it implies that coefficients change smoothly and in an unbounded manner. In this paper, we relax this assumption by proposing a flexible law of motion for the TVPs in large-scale vector autoregressions (VARs). Instead of imposing a restrictive random walk evolution of the latent states, we carefully design hierarchical mixture priors on the coefficients in the state equation. These priors effectively allow for discriminating between periods where coefficients evolve according to a random walk and times where the TVPs are better characterized by a stationary stochastic process. Moreover, this approach is capable of introducing dynamic sparsity by pushing small parameter changes towards zero if necessary. The merits of the model are illustrated by means of two applications. Using synthetic data we show that our approach yields precise parameter estimates. When applied to US data, the model reveals interesting patterns of low-frequency dynamics in coefficients and forecasts well relative to a wide range of competing models.

مدلهای پارامتر متغیر زمان (TVP) اغلب فرض می کنند که TVP ها تکامل می یابند با توجه به یک پیاده روی تصادفی.این فرض ممکن است سوال برانگیز باشد از آنجا که این بدان معنی است که ضرایب یکنواخت و به صورت نامحدود تغییر می کنند. در این مقاله ، ما با پیشنهاد یک قانون انعطاف پذیر حرکت ، این فرض را آرام می کنیم برای TVP ها در اتورهای وکتور در مقیاس بزرگ (VARS).به جای تحمیل یک تحول پیاده روی تصادفی محدود از حالتهای نهفته ، ما با دقت طراحی می کنیم مقدمات مخلوط سلسله مراتبی بر روی ضرایب موجود در معادله دولت.اینها Priors به طور موثری امکان تبعیض بین دوره هایی را که ضرایب دارند با توجه به یک پیاده روی تصادفی و زمانهایی که TVP ها بهتر هستند تکامل می یابند با یک فرآیند تصادفی ثابت مشخص می شود.علاوه بر این ، این رویکرد است با فشار دادن تغییرات پارامتر کوچک قادر به معرفی پراکندگی پویا است در صورت لزوم به سمت صفر.شایستگی های مدل با استفاده از دو برنامهبا استفاده از داده های مصنوعی نشان می دهیم که رویکرد ما دقیق است برآورد پارامتر.هنگامی که به داده های ایالات متحده اعمال می شود ، این مدل جالب را نشان می دهد الگوهای دینامیک با فرکانس پایین در ضرایب و پیش بینی به خوبی نسبی به طیف گسترده ای از مدل های رقیب.

The ongoing COVID-19 pandemic risks wiping out years of progress made in reducing global poverty. In this paper, we explore to what extent financial inclusion could help mitigate the increase in poverty using cross-country data across 78 low- and lower-middle-income countries. Unlike other recent cross-country studies, we show that financial inclusion is a key driver of poverty reduction in these countries. This effect is not direct, but indirect, by mitigating the detrimental effect that inequality has on poverty. Our findings are consistent across all the different measures of poverty used. Our forecasts suggest that the world's population living on less than $1.90 per day could increase from 8% to 14% by 2021, pushing nearly 400 million people into poverty. However, urgent improvements in financial inclusion could substantially reduce the impact on poverty.

همه گیر Covid-19 در حال خطر از بین رفتن سالها پیشرفت در کاهش فقر جهانی.در این مقاله ، ما کشف می کنیم تا چه میزان مالی گنجاندن می تواند به کاهش فقر با استفاده از داده های متقابل کشور کمک کند در بین 78 کشور کم درآمد و پایین.برخلاف سایر اخیر مطالعات متقابل کشور ، ما نشان می دهیم که ورود مالی یک عامل اصلی است کاهش فقر در این کشورها.این اثر مستقیم نیست ، اما غیرمستقیم ، با کاهش اثر مضر که نابرابری بر فقر دارد.ما یافته ها در تمام اقدامات مختلف فقر مورد استفاده سازگار است.ما پیش بینی ها حاکی از آن است که جمعیت جهان با کمتر از 1.90 دلار در روز زندگی می کنند می تواند از 8 ٪ به 14 ٪ تا سال 2021 افزایش یابد و نزدیک به 400 میلیون نفر را به سمت خود سوق دهد فقر.با این حال ، پیشرفت های فوری در شمول مالی می تواند به طور قابل توجهی تأثیر بر فقر را کاهش می دهد.

In this paper, we study the trending behaviour of COVID-19 data at country level, and draw attention to some existing econometric tools which are potentially helpful to understand the trend better in future studies. In our empirical study, we find that European countries overall flatten the curves more effectively compared to the other regions, while Asia & Oceania also achieve some success, but the situations are not as optimistic elsewhere. Africa and America are still facing serious challenges in terms of managing the spread of the virus, and reducing the death rate, although in Africa the virus spreads slower and has a lower death rate than the other regions. By comparing the performances of different countries, our results incidentally agree with Gu et al. (2020), though different approaches and models are considered. For example, both works agree that countries such as USA, UK and Italy perform relatively poorly; on the other hand, Australia, China, Japan, Korea, and Singapore perform relatively better.

در این مقاله ، ما رفتار روند داده های COVID-19 را در کشور بررسی می کنیم سطح ، و توجه برخی از ابزارهای اقتصاد سنجی موجود را جلب کنید به طور بالقوه برای درک بهتر روند در مطالعات آینده مفید است.در ما مطالعه تجربی ، می فهمیم که کشورهای اروپایی به طور کلی منحنی ها را صاف می کنند به طور مؤثرتر با مناطق دیگر مقایسه می شود ، در حالی که آسیا و اقیانوسیه نیز به موفقیت های خود برسید ، اما موقعیت ها در جای دیگر خوش بین نیستند. آفریقا و آمریکا هنوز از نظر مدیریت با چالش های جدی روبرو هستند گسترش ویروس و کاهش میزان مرگ و میر ، اگرچه در آفریقا ویروس کندتر گسترش می یابد و میزان مرگ و میر کمتری نسبت به مناطق دیگر دارد.با مقایسه عملکرد کشورهای مختلف ، نتایج ما اتفاقاً با GU موافق است و همکاران(2020) ، اگرچه رویکردها و مدل های مختلف در نظر گرفته شده است.برای به عنوان مثال ، هر دو اثر موافق هستند که کشورهایی مانند ایالات متحده ، انگلیس و ایتالیا انجام می دهند نسبتاً ضعیف ؛از طرف دیگر ، استرالیا ، چین ، ژاپن ، کره و سنگاپور نسبتاً بهتر عمل می کند.

We introduce tools for controlled variable selection to economists. In particular, we apply a recently introduced aggregation scheme for false discovery rate (FDR) control to German administrative data to determine the parts of the individual employment histories that are relevant for the career outcomes of women. Our results suggest that career outcomes can be predicted based on a small set of variables, such as daily earnings, wage increases in combination with a high level of education, employment status, and working experience.

ما ابزارهایی را برای انتخاب متغیر کنترل شده به اقتصاددانان معرفی می کنیم.که در به طور خاص ، ما یک طرح تجمع اخیراً معرفی شده برای FALSE اعمال می کنیم کنترل نرخ کشف (FDR) به داده های اداری آلمان برای تعیین بخش هایی از تاریخچه اشتغال فردی که برای حرفه مرتبط هستند نتایج زنان.نتایج ما نشان می دهد که نتایج شغلی را می توان پیش بینی کرد بر اساس مجموعه کوچکی از متغیرها ، مانند درآمد روزانه ، افزایش دستمزد در ترکیب با سطح بالایی از آموزش ، وضعیت اشتغال و کار تجربه.

A novel IV estimation method, that we term Locally Trimmed LS (LTLS), is developed which yields estimators with (mixed) Gaussian limit distributions in situations where the data may be weakly or strongly persistent. In particular, we allow for nonlinear predictive type of regressions where the regressor can be stationary short/long memory as well as nonstationary long memory process or a nearly integrated array. The resultant t-tests have conventional limit distributions (i.e. N(0; 1)) free of (near to unity and long memory) nuisance parameters. In the case where the regressor is a fractional process, no preliminary estimator for the memory parameter is required. Therefore, the practitioner can conduct inference while being agnostic about the exact dependence structure in the data. The LTLS estimator is obtained by applying certain chronological trimming to the OLS instrument via the utilisation of appropriate kernel functions of time trend variables. The finite sample performance of LTLS based t-tests is investigated with the aid of a simulation experiment. An empirical application to the predictability of stock returns is also provided.

یک روش تخمین جدید IV ، که ما LS محلی را برش می دهیم (LTLS) ، است توسعه یافته که برآوردگرهای خود را با توزیع محدود (مختلط) گاوسی در موقعیت هایی که داده ها ممکن است ضعیف یا به شدت پایدار باشند.به خصوص، ما اجازه می دهیم نوع پیش بینی کننده غیرخطی رگرسیون که در آن رگرسیون می تواند حافظه کوتاه/طولانی ثابت و همچنین فرآیند حافظه طولانی غیر استایل یا یک آرایه تقریباً یکپارچه.آزمونهای T حاصل محدودیت متعارف دارند توزیع (به عنوان مثال n (0 ؛ 1)) عاری از (نزدیک به وحدت و حافظه طولانی) مولفه های.در موردی که رگرسیون یک روند کسری است ، نه برآوردگر مقدماتی برای پارامتر حافظه مورد نیاز است.بنابراین ، پزشک می تواند در حالی که در مورد آگنوستیک دقیق است ، استنباط کند ساختار وابستگی در داده ها.برآوردگر LTLS با استفاده به دست می آید پیرایش زمانی خاص به ابزار OLS از طریق استفاده از توابع مناسب هسته متغیرهای روند زمان.نمونه محدود عملکرد تست های T مبتنی بر LTL با کمک یک شبیه سازی مورد بررسی قرار می گیرد آزمایشیک برنامه تجربی برای پیش بینی بازده سهام است همچنین ارائه شده است.

This paper considers identifying and estimating the Average Treatment Effect on the Treated (ATT) when untreated potential outcomes are generated by an interactive fixed effects model. That is, in addition to time-period and individual fixed effects, we consider the case where there is an unobserved time invariant variable whose effect on untreated potential outcomes may change over time and which can therefore cause outcomes (in the absence of participating in the treatment) to follow different paths for the treated group relative to the untreated group. The models that we consider in this paper generalize many commonly used models in the treatment effects literature including difference in differences and individual-specific linear trend models. Unlike the majority of the literature on interactive fixed effects models, we do not require the number of time periods to go to infinity to consistently estimate the ATT. Our main identification result relies on having the effect of some time invariant covariate (e.g., race or sex) not vary over time. Using our approach, we show that the ATT can be identified with as few as three time periods and with panel or repeated cross sections data.

در این مقاله ، شناسایی و تخمین میانگین اثر درمانی در نظر گرفته شده است در مورد درمان (ATT) هنگامی که نتایج بالقوه درمان نشده توسط یک تولید می شود مدل جلوه های ثابت تعاملی.یعنی علاوه بر دوره زمانی و اثرات ثابت فردی ، ما موردی را در نظر می گیریم که بدون حمایت وجود دارد متغیر متغیر زمانی که تأثیر آن بر نتایج بالقوه درمان نشده ممکن است تغییر کند با گذشت زمان و از این رو می تواند باعث نتایج شود (در صورت عدم وجود شرکت در درمان) برای دنبال کردن مسیرهای مختلف برای گروه تحت درمان نسبت به گروه درمان نشده.مدلهایی که در این مقاله در نظر می گیریم بسیاری از مدلهای متداول را در ادبیات اثرات درمانی عمومی کنید از جمله تفاوت در اختلافات و روند خطی خاص فردی مدل ها.بر خلاف اکثر ادبیات در مورد اثرات ثابت تعاملی مدل ها ، ما برای رفتن به بی نهایت به تعداد دوره های زمانی احتیاج نداریم به طور مداوم ATT را تخمین بزنید.نتیجه اصلی شناسایی ما به داشتن متکی است تأثیر هم متغیرهای متغیر (به عنوان مثال ، نژاد یا رابطه جنسی) متفاوت نیست زمان.با استفاده از رویکرد خود ، ما نشان می دهیم که ATT را می توان با تعداد کمی شناسایی کرد سه دوره زمانی و با داده های مقطع پانل یا مکرر.

The paper proposes a Bayesian multinomial logit model to analyse spatial patterns of urban expansion. The specification assumes that the log-odds of each class follow a spatial autoregressive process. Using recent advances in Bayesian computing, our model allows for a computationally efficient treatment of the spatial multinomial logit model. This allows us to assess spillovers between regions and across land use classes. In a series of Monte Carlo studies, we benchmark our model against other competing specifications. The paper also showcases the performance of the proposed specification using European regional data. Our results indicate that spatial dependence plays a key role in land sealing process of cropland and grassland. Moreover, we uncover land sealing spillovers across multiple classes of arable land.

این مقاله برای تجزیه و تحلیل مکانی یک مدل ورود به سیستم بیزی چندوجهی پیشنهاد می کند الگوهای گسترش شهری.مشخصات فرض می کند که ورود به سیستم هر کلاس از یک فرآیند خودجوش فضایی پیروی می کند.با استفاده از پیشرفت های اخیر در محاسبات بیزی ، مدل ما امکان درمان محاسباتی کارآمد را فراهم می کند از مدل ورود به سیستم چند منظوره فضایی.این به ما اجازه می دهد تا سرریزها را ارزیابی کنیم بین مناطق و کلاسهای استفاده از زمین.در یک سری مونت کارلو مطالعات ، ما مدل خود را در برابر سایر مشخصات رقابتی معیار می کنیم.در مقاله همچنین عملکرد مشخصات پیشنهادی را با استفاده از نشان می دهد داده های منطقه ای اروپا.نتایج ما نشان می دهد که وابستگی مکانی بازی می کند نقش اصلی در روند آب بندی زمین از مزارع زراعی و چمنزارها.علاوه بر این ، ما کشف سرریزهای آب بندی زمین در چندین کلاس از زمین های زراعی.

Data on businesses collected by statistical agencies are challenging to protect. Many businesses have unique characteristics, and distributions of employment, sales, and profits are highly skewed. Attackers wishing to conduct identification attacks often have access to much more information than for any individual. As a consequence, most disclosure avoidance mechanisms fail to strike an acceptable balance between usefulness and confidentiality protection. Detailed aggregate statistics by geography or detailed industry classes are rare, public-use microdata on businesses are virtually inexistant, and access to confidential microdata can be burdensome. Synthetic microdata have been proposed as a secure mechanism to publish microdata, as part of a broader discussion of how to provide broader access to such data sets to researchers. In this article, we document an experiment to create analytically valid synthetic data, using the exact same model and methods previously employed for the United States, for data from two different countries: Canada (LEAP) and Germany (BHP). We assess utility and protection, and provide an assessment of the feasibility of extending such an approach in a cost-effective way to other data.

داده های مربوط به مشاغل جمع آوری شده توسط آژانس های آماری چالش برانگیز است محافظت.بسیاری از مشاغل دارای ویژگی های منحصر به فرد و توزیع از آن هستند اشتغال ، فروش و سود بسیار ناچیز است.مهاجمان مایل به انجام حملات شناسایی اغلب به اطلاعات بسیار بیشتری نسبت به هر چیز دسترسی دارند شخصی.در نتیجه ، بیشتر مکانیسم های اجتناب از افشای اطلاعات ناکام هستند تعادل قابل قبولی بین سودمندی و محافظت از محرمانه بودن برقرار کنید. آمار کل دقیق توسط جغرافیا یا کلاسهای صنعت دقیق است میکروداتای نادر و کاربرد عمومی در مورد مشاغل عملاً ناپسند و دسترسی دارند میکروداتای محرمانه می تواند سنگین باشد.میکروداتای مصنوعی بوده است به عنوان یک مکانیسم امن برای انتشار میکروداتا ، به عنوان بخشی از گسترده تر پیشنهاد شده است بحث در مورد چگونگی دسترسی گسترده تر به چنین مجموعه ای از داده ها به محققان. در این مقاله ، ما یک آزمایش را برای ایجاد معتبر تحلیلی مستند می کنیم داده های مصنوعی ، با استفاده از همان مدل و روشهایی که قبلاً برای آن استفاده شده بودند ایالات متحده ، برای داده های دو کشور مختلف: کانادا (LEAP) و آلمان (BHP).ما ابزار و محافظت را ارزیابی می کنیم و ارزیابی از آن را ارائه می دهیم امکان گسترش چنین رویکردی به روشی مقرون به صرفه به روش دیگر داده ها.

We analyze theoretical properties of the hybrid test for superior predictability. We demonstrate with a simple example that the test may not be pointwise asymptotically of level $\alpha$ at commonly used significance levels and may lead to rejection rates over $11\%$ when the significance level $\alpha$ is $5\%$. Generalizing this observation, we provide a formal result that pointwise asymptotic invalidity of the hybrid test persists in a setting under reasonable conditions. As an easy alternative, we propose a modified hybrid test based on the generalized moment selection method and show that the modified test enjoys pointwise asymptotic validity. Monte Carlo simulations support the theoretical findings.

ما خصوصیات نظری آزمون ترکیبی را برای برتر تجزیه و تحلیل می کنیم قابلیت پیش بینیما با یک مثال ساده نشان می دهیم که ممکن است آزمون نباشد به صورت بدون علامت از سطح $ \ alpha $ در سطوح اهمیت که معمولاً استفاده می شود و ممکن است در هنگام سطح اهمیت به نرخ رد بیش از 11 \ $ $ منجر شود $ \ alpha $ 5 $ \ ٪ $ است.با تعمیم این مشاهدات ، ما یک نتیجه رسمی ارائه می دهیم آن عدم اعتبار بدون علامت آزمایش ترکیبی در یک تنظیم ادامه دارد در شرایط معقولبه عنوان یک جایگزین آسان ، ما یک اصلاح شده را پیشنهاد می کنیم تست ترکیبی بر اساس روش انتخاب لحظه تعمیم یافته و نشان می دهد که تست اصلاح شده از اعتبار بدون علامت نقطه نظر برخوردار است.شبیه سازی مونت کارلو از یافته های نظری پشتیبانی کنید.

We provide an upper bound as a random variable for the functions of estimators in high dimensions. This upper bound may help establish the rate of convergence of functions in high dimensions. The upper bound random variable may converge faster, slower, or at the same rate as estimators depending on the behavior of the partial derivative of the function. We illustrate this via three examples. The first two examples use the upper bound for testing in high dimensions, and third example derives the estimated out-of-sample variance of large portfolios. All our results allow for a larger number of parameters, p, than the sample size, n.

ما یک محدوده بالا به عنوان یک متغیر تصادفی برای توابع ارائه می دهیم برآوردگرها در ابعاد بالا.این مرز بالا ممکن است به تعیین نرخ کمک کند همگرایی توابع در ابعاد بالا.متغیر تصادفی محدود بالا بسته به این ممکن است سریعتر ، کندتر یا با همان نرخ برآوردگرها همگرا شود رفتار مشتق جزئی عملکرد.ما این را از طریق نشان می دهیم سه نمونهدو مثال اول از حد بالایی برای آزمایش در بالا استفاده می کنند ابعاد ، و مثال سوم ، واریانس خارج از نمونه تخمین زده شده است اوراق بهادار بزرگ.تمام نتایج ما باعث می شود تعداد بیشتری از پارامترها ، P ، از اندازه نمونه ، n.

We provide new results showing identification of a large class of fixed-T panel models, where the response variable is an unknown, weakly monotone, time-varying transformation of a latent linear index of fixed effects, regressors, and an error term drawn from an unknown stationary distribution. Our results identify the transformation, the coefficient on regressors, and features of the distribution of the fixed effects. We then develop a full-commitment intertemporal collective household model, where the implied quantity demand equations are time-varying functions of a linear index. The fixed effects in this index equal logged resource shares, defined as the fractions of household expenditure enjoyed by each household member. Using Bangladeshi data, we show that women's resource shares decline with household budgets and that half of the variation in women's resource shares is due to unobserved household-level heterogeneity.

ما نتایج جدیدی را ارائه می دهیم که نشان دهنده شناسایی کلاس بزرگی از ثابت-T است مدل های پانل ، جایی که متغیر پاسخ یک یکنواخت ناشناخته ، یکنواخت است ، تحول متغیر زمان از یک شاخص خطی نهفته از اثرات ثابت ، رگرسیون ، و اصطلاح خطایی که از توزیع ثابت ناشناخته گرفته شده است. نتایج ما تحول ، ضریب رگرسیون ها را مشخص می کند ، و ویژگی های توزیع اثرات ثابت.سپس ما توسعه می دهیم مدل خانگی جمعی بین المللی با تعهد کامل ، که در آن ضمنی معادلات تقاضای کمیت توابع متغیر زمان یک شاخص خطی است.در جلوه های ثابت در این فهرست سهام مساوی از منابع ورود به سیستم ، تعریف شده به عنوان کسری از هزینه های خانوار که توسط هر یک از اعضای خانواده از آن برخوردار است.استفاده كردن داده های بنگلادشی ، ما نشان می دهیم که سهام منابع زنان با خانواده کاهش می یابد بودجه و این که نیمی از تغییر در سهام منابع زنان به دلیل این است ناهمگونی در سطح خانواده.

We study a fixed-$T$ panel data logit model for ordered outcomes that accommodates fixed effects and state dependence. We provide identification results for the autoregressive parameter, regression coefficients, and the threshold parameters in this model. Our results require only four observations on the outcome variable. We provide conditions under which a composite conditional maximum likelihood estimator is consistent and asymptotically normal. We use our estimator to explore the determinants of self-reported health in a panel of European countries over the period 2003-2016. We find that: (i) the autoregressive parameter is positive and analogous to a linear AR(1) coefficient of about 0.25, indicating persistence in health status; (ii) the association between income and health becomes insignificant once we control for unobserved heterogeneity and persistence.

ما یک مدل ورود به سیستم پانل $ t $ ثابت را برای نتایج سفارش داده شده مطالعه می کنیم اثرات ثابت و وابستگی به دولت را در خود جای داده است.ما شناسایی را ارائه می دهیم نتایج برای پارامتر خودکار ، ضرایب رگرسیون و پارامترهای آستانه در این مدل.نتایج ما فقط به چهار مشاهده نیاز دارد در متغیر نتیجهما شرایطی را ارائه می دهیم که تحت آن یک کامپوزیت برآوردگر حداکثر احتمال مشروط سازگار و بدون علامت است طبیعی.ما از برآوردگر خود برای کشف عوامل خود گزارش شده استفاده می کنیم سلامت در تابلویی از کشورهای اروپایی طی دوره 2003-2016.ما پیدا می کنیم که: (i) پارامتر اتورگرایی مثبت و مشابه با خطی است ضریب AR (1) در حدود 0.25 ، نشانگر پایداری در وضعیت سلامت.(ب) ارتباط بین درآمد و سلامت پس از کنترل ناچیز می شود برای ناهمگونی و پایداری بدون نظارت.

We propose a simple approach to optimally select the number of control units in k nearest neighbors (kNN) algorithm focusing in minimizing the mean squared error for the average treatment effects. Our approach is non-parametric where confidence intervals for the treatment effects were calculated using asymptotic results with bias correction. Simulation exercises show that our approach gets relative small mean squared errors, and a balance between confidence intervals length and type I error. We analyzed the average treatment effects on treated (ATET) of participation in 401(k) plans on accumulated net financial assets confirming significant effects on amount and positive probability of net asset. Our optimal k selection produces significant narrower ATET confidence intervals compared with common practice of using k=1.

ما یک روش ساده را برای انتخاب بهینه تعداد واحدهای کنترل پیشنهاد می کنیم در K نزدیکترین همسایگان (KNN) الگوریتم با تمرکز در به حداقل رساندن میانگین مربع خطا برای میانگین اثرات درمانی.رویکرد ما غیر پارامتری است که در آن فواصل اطمینان برای اثرات درمانی با استفاده از مجانبی محاسبه شد نتایج با تصحیح تعصب.تمرینات شبیه سازی نشان می دهد که رویکرد ما انجام می شود خطاهای متوسط مربع کوچک نسبی ، و تعادل بین فواصل اطمینان خط و خطای نوع I.ما میانگین اثرات درمانی را در درمان مورد تجزیه و تحلیل قرار دادیم (ATET) مشارکت در 401 (k) برنامه هایی در مورد دارایی های خالص مالی انباشته تأیید اثرات قابل توجه بر میزان و احتمال مثبت دارایی خالص. انتخاب بهینه K ما فواصل اعتماد به نفس باریک تر را ایجاد می کند در مقایسه با روش معمول استفاده از K = 1.

We analyse a sequential contest with two players in darts where one of the contestants enjoys a technical advantage. Using methods from the causal machine learning literature, we analyse the built-in advantage, which is the first-mover having potentially more but never less moves. Our empirical findings suggest that the first-mover has an 8.6 percentage points higher probability to win the match induced by the technical advantage. Contestants with low performance measures and little experience have the highest built-in advantage. With regard to the fairness principle that contestants with equal abilities should have equal winning probabilities, this contest is ex-ante fair in the case of equal built-in advantages for both competitors and a randomized starting right. Nevertheless, the contest design produces unequal probabilities of winning for equally skilled contestants because of asymmetries in the built-in advantage associated with social pressure for contestants competing at home and away.

ما یک مسابقه متوالی را با دو بازیکن در دارت که در آن یکی از آنها تجزیه و تحلیل می کنیم ، تجزیه و تحلیل می کنیم شرکت کنندگان از یک مزیت فنی برخوردار هستند.با استفاده از روش های دستگاه علی ادبیات یادگیری ، ما مزیت داخلی را تجزیه و تحلیل می کنیم ، یعنی حرکت اول داشتن بالقوه بیشتر اما هرگز کمتر حرکت نمی کند.تجربی ما یافته ها حاکی از آن است که اولین حرکت 8.6 درصد بالاتر است احتمال پیروزی در مسابقه ناشی از مزیت فنی.شرکت کننده با اقدامات کم عملکرد و تجربه کمی بیشترین داخلی را دارد مزیت - فایده - سود - منفعت.با توجه به اصل انصاف که شرکت کنندگان با مساوی توانایی ها باید از احتمال برنده برابر برخوردار باشند ، این مسابقه نمایشگاه سابق است در مورد مزایای داخلی مساوی برای رقبا و تصادفی شروع درستبا این وجود ، طراحی مسابقه احتمالات نابرابر را ایجاد می کند برنده شدن برای شرکت کنندگان به همان اندازه ماهر به دلیل عدم تقارن در مزیت داخلی در ارتباط با فشار اجتماعی برای شرکت کنندگان در رقابت در خانه و دور

We introduce an approach to deal with self-selection of peers in the linear-in-means model. Contrary to the existing proposals we do not require to specify a model for how the selection of peers comes about. Rather, we exploit two restrictions that are inherent to many such specifications to construct intuitive instrumental variables. These restrictions are that link decisions that involve a given individual are not all independent of one another, but that they are independent of the link behavior between other pairs of individuals. A two-stage least-squares estimator of the linear-in-means model is then readily obtained.

ما رویکردی را برای مقابله با خود انتخاب همسالان در مدل خطی در میانگین.برخلاف پیشنهادات موجود که ما نیازی به آن نداریم مدلی را برای نحوه انتخاب همسالان مشخص کنید.در عوض ، ما سوءاستفاده می کنیم دو محدودیت که ذاتی بسیاری از این مشخصات برای ساخت هستند متغیرهای ابزاری بصری.این محدودیت ها این تصمیمات پیوند است که شامل یک فرد خاص است ، همه مستقل از یکدیگر نیستند ، اما اینکه آنها مستقل از رفتار پیوند بین جفت های دیگر هستند اشخاص حقیقی.یک برآوردگر حداقل مربعات دو مرحله ای از مدل خطی در میانگین سپس به راحتی بدست می آید.

This paper develops new techniques to bound distributional treatment effect parameters that depend on the joint distribution of potential outcomes -- an object not identified by standard identifying assumptions such as selection on observables or even when treatment is randomly assigned. I show that panel data and an additional assumption on the dependence between untreated potential outcomes for the treated group over time (i) provide more identifying power for distributional treatment effect parameters than existing bounds and (ii) provide a more plausible set of conditions than existing methods that obtain point identification. I apply these bounds to study heterogeneity in the effect of job displacement during the Great Recession. Using standard techniques, I find that workers who were displaced during the Great Recession lost on average 34\% of their earnings relative to their counterfactual earnings had they not been displaced. Using the methods developed in the current paper, I also show that the average effect masks substantial heterogeneity across workers.

این مقاله تکنیک های جدیدی را برای تأثیر درمان توزیع محدود ایجاد می کند پارامترهایی که به توزیع مشترک نتایج بالقوه بستگی دارند - شیء مشخص نشده توسط فرضیات شناسایی استاندارد مانند انتخاب در مشاهدات یا حتی هنگامی که درمان به طور تصادفی انجام می شود.من داده های پانل را نشان می دهم و یک فرض اضافی در مورد وابستگی بین پتانسیل درمان نشده نتایج برای گروه تحت درمان با گذشت زمان (i) قدرت شناسایی بیشتری را برای آن فراهم می کند پارامترهای تأثیر درمان توزیع نسبت به مرزهای موجود و (ii) مجموعه ای از شرایط قابل قبول تر از روشهای موجود که بدست می آورند فراهم کنید شناسایی نقطهمن از این مرزها برای مطالعه ناهمگونی در اثر استفاده می کنم جابجایی شغل در هنگام رکود بزرگ.با استفاده از تکنیک های استاندارد ، من دریابید که کارگرانی که در طول رکود بزرگ آواره شده اند به طور متوسط از دست داده اند 34 \ ٪ از درآمد آنها نسبت به درآمد ضد خلاف آنها اگر این کار را نکردند آواره شده استبا استفاده از روشهای توسعه یافته در مقاله فعلی ، من نیز نشان می دهم این که میانگین اثر ناهمگونی قابل توجهی را در بین کارگران نشان می دهد.

We introduce a new approach for comparing the predictive accuracy of two nested models that bypasses the difficulties caused by the degeneracy of the asymptotic variance of forecast error loss differentials used in the construction of commonly used predictive comparison statistics. Our approach continues to rely on the out of sample MSE loss differentials between the two competing models, leads to nuisance parameter free Gaussian asymptotics and is shown to remain valid under flexible assumptions that can accommodate heteroskedasticity and the presence of mixed predictors (e.g. stationary and local to unit root). A local power analysis also establishes its ability to detect departures from the null in both stationary and persistent settings. Simulations calibrated to common economic and financial applications indicate that our methods have strong power with good size control across commonly encountered sample sizes.

ما یک رویکرد جدید برای مقایسه دقت پیش بینی کننده دو معرفی می کنیم مدل های تو در تو که از مشکلات ناشی از انحطاط آن دور می شوند واریانس بدون علامت دیفرانسیل های از دست دادن خطای پیش بینی شده در ساخت آمار مقایسه پیش بینی شده معمولاً استفاده می شود.رویکرد ما همچنان به اختلافات خارج از نمونه MSE بین این دو متکی است مدل های رقیب ، منجر به بدون علامت Gaussian Parameter Nuisance می شود و است نشان داده شده است که تحت فرضیات انعطاف پذیر که می تواند در آن قرار داشته باشد معتبر است ناهمگونی و وجود پیش بینی کننده های مختلط (به عنوان مثال ثابت و ریشه محلی به واحد).تجزیه و تحلیل قدرت محلی نیز توانایی خود را در اختیار دارد عزیمت را از تهی در هر دو تنظیم ثابت و مداوم تشخیص دهید. شبیه سازی های کالیبره شده به برنامه های مشترک اقتصادی و مالی نشان می دهد که روشهای ما دارای قدرت قوی با کنترل اندازه خوب در کل معمولاً هستند با اندازه نمونه روبرو شد.

Inference in models where the parameter is defined by moment inequalities is of interest in many areas of economics. This paper develops a new method for improving the performance of generalized moment selection (GMS) testing procedures in finite-samples. The method modifies GMS tests by tilting the empirical distribution in its moment selection step by an amount that maximizes the empirical likelihood subject to the restrictions of the null hypothesis. We characterize sets of population distributions on which a modified GMS test is (i) asymptotically equivalent to its non-modified version to first-order, and (ii) superior to its non-modified version according to local power when the sample size is large enough. An important feature of the proposed modification is that it remains computationally feasible even when the number of moment inequalities is large. We report simulation results that show the modified tests control size well, and have markedly improved local power over their non-modified counterparts.

استنتاج در مدلهایی که پارامتر با نابرابری لحظه ای تعریف می شود علاقه به بسیاری از زمینه های اقتصاد.این مقاله یک روش جدید برای بهبود عملکرد آزمایش انتخاب لحظه عمومی (GMS) رویه ها در نمونه های محدود.این روش تست های GMS را با کج کردن اصلاح می کند توزیع تجربی در انتخاب لحظه ای خود به صورت حداکثر به حداکثر می رسد احتمال تجربی با محدودیت فرضیه تهی.ما مجموعه ای از توزیع های جمعیتی را که در آن آزمایش GMS اصلاح شده است مشخص کنید (i) به صورت مجانبی معادل نسخه غیر اصلاح شده آن به مرتبه اول ، و (ب) برتر از نسخه غیر اصلاح شده خود با توجه به قدرت محلی در هنگام اندازه نمونه به اندازه کافی بزرگ است.یک ویژگی مهم اصلاح پیشنهادی این است که حتی در صورت تعداد لحظه ای از نظر محاسباتی امکان پذیر است نابرابری ها بزرگ است.ما نتایج شبیه سازی را نشان می دهیم که اصلاح شده را نشان می دهد تست ها اندازه را به خوبی کنترل می کنند و قدرت محلی را به طور قابل توجهی بهبود بخشیده اند همتایان غیر اصلاح شده.

This paper proposes a novel approach to incorporate covariates in regression discontinuity (RD) designs. We represent the covariate balance condition as overidentifying moment restrictions. The empirical likelihood (EL) RD estimator efficiently incorporates the information from covariate balance and thus has an asymptotic variance no larger than that of the standard estimator without covariates. It achieves efficiency gain under weak conditions. We resolve the indeterminacy raised by Calonico, Cattaneo, Farrell, and Titiunik (2019, Page 448) regarding the asymptotic efficiency gain from incorporating covariates to RD estimator, as their estimator has the same asymptotic variance as ours. We then propose a robust corrected EL (RCEL) confidence set which achieves the fast n^(-1) coverage error decay rate even though the point estimator converges at a nonparametric rate. In addition, the coverage accuracy of the RCEL confidence set is automatically robust against slight perturbation to the covariate balance condition, which may happen in cases such as data contamination and misspecified "unaffected" outcomes used as covariates. We also show a uniform-in-bandwidth Wilks theorem, which is useful in sensitivity analysis for the proposed RCEL confidence set in the sense of Armstrong and Kolesar (2018). We conduct Monte Carlo simulations to assess the finite-sample performance of our method and also apply it to a real dataset.

در این مقاله یک رویکرد جدید برای ترکیب متغیرهای متغیر در رگرسیون ارائه شده است طرح های ناپیوستگی (RD).ما وضعیت تعادل متغیر را به عنوان نشان می دهیم محدودیت های لحظه ای را شناسایی کنید.احتمال تجربی (EL) برآوردگر به طور مؤثر اطلاعات را از تعادل متغیر درج می کند و بنابراین دارای یک واریانس بدون علامت بزرگتر از برآوردگر استاندارد بدون متغیرهای متغیردر شرایط ضعیف به افزایش کارآیی می رسد.ما حل می کنیم نامشخصی که توسط Calonico ، Cattaneo ، Farrell و Titiunik مطرح شده است (2019 ، صفحه 448) با توجه به بهره وری بدون علامت از ترکیب متغیرهای متغیر به برآوردگر RD ، به عنوان برآوردگر آنها دارای واریانس یکسان است.ما سپس یک مجموعه اعتماد به نفس EL (RCEL) تصحیح شده را پیشنهاد کنید که به آن دست پیدا کند Fast N^(-1) نرخ پوسیدگی خطای پوشش حتی اگر برآوردگر نقطه همگرا شود با نرخ غیر پارامتریعلاوه بر این ، دقت پوشش RCEL مجموعه اعتماد به نفس به طور خودکار در برابر آشفتگی جزئی به شرایط تعادل متغیر ، که ممکن است در مواردی مانند داده ها اتفاق بیفتد آلودگی و پیامدهای "بی تأثیر" غلط مورد استفاده به عنوان متغیرهای متغیر.ما همچنین یک قضیه Wilks در باند یکنواخت را نشان می دهد ، که در حساسیت مفید است تجزیه و تحلیل برای اعتماد به نفس پیشنهادی RCEL به معنای آرمسترانگ و Kolesar (2018).ما برای ارزیابی نمونه محدود ، شبیه سازی مونت کارلو را انجام می دهیم عملکرد روش ما و همچنین آن را در یک مجموعه داده واقعی اعمال می کند.

Lee (2009) is a common approach to bound the average causal effect in the presence of selection bias, assuming the treatment effect on selection has the same sign for all subjects. This paper generalizes Lee bounds to allow the sign of this effect to be identified by pretreatment covariates, relaxing the standard (unconditional) monotonicity to its conditional analog. Asymptotic theory for generalized Lee bounds is proposed in low-dimensional smooth and high-dimensional sparse designs. The paper also generalizes Lee bounds to accommodate multiple outcomes. It characterizes the sharp identified set for the causal parameter and proposes uniform Gaussian inference on the support function. The estimated bounds achieve nearly point-identification in JobCorps job training program (Lee (2009)), where unconditional monotonicity is unlikely to hold.

لی (2009) یک رویکرد متداول برای محدود کردن اثر علیت متوسط در وجود تعصب انتخاب ، با فرض اینکه اثر درمانی در انتخاب علامت مشابه برای همه افراد.این مقاله مرزهای لی را تعمیم می دهد تا به علامت اجازه دهد از این اثر که توسط متغیرهای پیش درمانی شناسایی می شود ، آرامش بخش یکنواختی استاندارد (بی قید و شرط) به آنالوگ شرطی آن.تقریبی نظریه برای مرزهای عمومی لی در صاف و کم بعدی ارائه شده است طرح های پراکنده با ابعاد بالا.این مقاله همچنین مرزهای لی را تعمیم می دهد چندین نتیجه را در خود جای دهید.این مجموعه تیز مشخص شده را مشخص می کند پارامتر علی و استنباط یکنواخت گاوسی در پشتیبانی تابع.مرزهای تخمین زده شده تقریباً در شناسایی کارفرمایان به شناسایی می رسند برنامه آموزش شغلی (لی (2009)) ، جایی که یکنواختی بی قید و شرط بعید است نگه داشتن.

This paper proposes a robust method for semiparametric identification and estimation in panel multinomial choice models, where we allow for infinite-dimensional fixed effects that enter into consumer utilities in an additively nonseparable way, thus incorporating rich forms of unobserved heterogeneity. Our identification strategy exploits multivariate monotonicity in parametric indexes, and uses the logical contraposition of an intertemporal inequality on choice probabilities to obtain identifying restrictions. We provide a consistent estimation procedure, and demonstrate the practical advantages of our method with simulations and an empirical illustration with the Nielsen data.

در این مقاله یک روش قوی برای شناسایی نیمه پارامتری و تخمین در مدل های انتخاب چندمیک پانل ، جایی که ما اجازه می دهیم اثرات ثابت بعدی بی نهایت که وارد خدمات مصرف کننده می شوند به روشی غیر قابل تفکیک ، به این ترتیب اشکال غنی از بدون محافظت را در بر می گیرد ناهمگونیاستراتژی شناسایی ما از یکنواختی چند متغیره بهره برداری می کند در شاخص های پارامتری ، و از تطابق منطقی یک بین المللی استفاده می کند نابرابری در احتمال انتخاب برای به دست آوردن محدودیت ها.ما یک روش تخمین مداوم ارائه دهید و عملی را نشان دهید مزایای روش ما با شبیه سازی ها و یک تصویر تجربی با داده های نیلسن.

Consider a setting where $N$ players, partitioned into $K$ observable types, form a directed network. Agents' preferences over the form of the network consist of an arbitrary network benefit function (e.g., agents may have preferences over their network centrality) and a private component which is additively separable in own links. This latter component allows for unobserved heterogeneity in the costs of sending and receiving links across agents (respectively out- and in- degree heterogeneity) as well as homophily/heterophily across the $K$ types of agents. In contrast, the network benefit function allows agents' preferences over links to vary with the presence or absence of links elsewhere in the network (and hence with the link formation behavior of their peers). In the null model which excludes the network benefit function, links form independently across dyads in the manner described by \cite{Charbonneau_EJ17}. Under the alternative there is interdependence across linking decisions (i.e., strategic interaction). We show how to test the null with power optimized in specific directions. These alternative directions include many common models of strategic network formation (e.g., "connections" models, "structural hole" models etc.). Our random utility specification induces an exponential family structure under the null which we exploit to construct a similar test which exactly controls size (despite the the null being a composite one with many nuisance parameters). We further show how to construct locally best tests for specific alternatives without making any assumptions about equilibrium selection. To make our tests feasible we introduce a new MCMC algorithm for simulating the null distributions of our test statistics.

تنظیماتی را در نظر بگیرید که در آن بازیکنان $ n $ ، تقسیم شده به $ $ $ قابل مشاهده ، یک شبکه کارگردانی را تشکیل دهید.ترجیحات نمایندگان بر روی شکل شبکه متشکل از یک عملکرد سود شبکه دلخواه (به عنوان مثال ، ممکن است عوامل داشته باشند ترجیحات نسبت به محوریت شبکه آنها) و یک مؤلفه خصوصی که وجود دارد از نظر افزودنی در پیوندهای خود قابل تفکیک است.این مؤلفه دوم امکان پذیر نیست ناهمگونی در هزینه های ارسال و دریافت پیوندها در نمایندگان (به ترتیب ناهمگونی خارج و درجه) و همچنین هموفیلی/هتروفیل در سراسر $ $ $ عوامل.در مقابل ، شبکه عملکرد سود به ترجیحات نمایندگان در مورد پیوندها اجازه می دهد تا با حضور یا عدم وجود پیوندها در جای دیگر شبکه (و از این رو با پیوند رفتار شکل گیری همسالان خود).در مدل تهی که مستثنی است عملکرد مزایای شبکه ، پیوندها به طور مستقل در سراسر رنگها شکل می گیرند شرح داده شده توسط \ cite {charbonneau_ej17.تحت گزینه دیگر وجود دارد وابستگی متقابل در بین تصمیمات پیوند (یعنی تعامل استراتژیک).ما نشان می دهیم نحوه تست تهی با قدرت بهینه سازی شده در جهات خاص.اینها دستورالعمل های جایگزین شامل بسیاری از مدل های متداول شبکه استراتژیک است شکل گیری (به عنوان مثال ، مدل های "اتصالات" ، مدل های "سوراخ ساختاری" و غیره).ما مشخصات ابزار تصادفی باعث ایجاد ساختار خانوادگی نمایی در زیر می شود تهی که ما برای ساختن یک آزمایش مشابه که دقیقاً اندازه را کنترل می کند ، سوءاستفاده می کنیم (علیرغم اینکه تهی یک کامپوزیت با پارامترهای مزاحم بسیاری است).ما بیشتر نحوه ساخت بهترین آزمایشات محلی را برای گزینه های خاص نشان دهید بدون ایجاد هیچ گونه فرضیه ای در مورد انتخاب تعادل.برای انجام آزمایشات ما امکان پذیر ما یک الگوریتم جدید MCMC را برای شبیه سازی NULL معرفی می کنیم توزیع آمار آزمون ما.