Datasets:

mabidan

/

econ_paper_abstracts_fa_translation

like 1

This chapter reviews the instrumental variable quantile regression model of Chernozhukov and Hansen (2005). We discuss the key conditions used for identification of structural quantile effects within this model which include the availability of instruments and a restriction on the ranks of structural disturbances. We outline several approaches to obtaining point estimates and performing statistical inference for model parameters. Finally, we point to possible directions for future research.

در این فصل به بررسی مدل رگرسیون متغیر متغیر ابزاری می پردازیم Chernozhukov و Hansen (2005).ما در مورد شرایط کلیدی مورد استفاده برای شناسایی اثرات کمی ساختاری در این مدل که شامل می شود در دسترس بودن ابزارها و محدودیت در صفوف ساختاری اغتشاشات.ما چندین روش برای به دست آوردن برآوردهای نقطه را تشریح می کنیم و انجام استنتاج آماری برای پارامترهای مدل.سرانجام ، ما به دستورالعمل های ممکن برای تحقیقات آینده.

When a researcher combines multiple instrumental variables for a single binary treatment, the monotonicity assumption of the local average treatment effects (LATE) framework can become restrictive: it requires that all units share a common direction of response even when separate instruments are shifted in opposing directions. What I call vector monotonicity, by contrast, simply assumes treatment uptake to be monotonic in all instruments. I characterize the class of causal parameters that are point identified under vector monotonicity, when the instruments are binary. This class includes, for example, the average treatment effect among units that are in any way responsive to the collection of instruments, or those that are responsive to a given subset of them. The identification results are constructive and yield a simple estimator for the identified treatment effect parameters. An empirical application revisits the labor market returns to college.

وقتی یک محقق چندین متغیر ابزاری را برای یک واحد ترکیب می کند درمان باینری ، فرض یکنواختی درمان متوسط محلی چارچوب اثرات (اواخر) می تواند محدود کننده باشد: به همه واحدها نیاز دارد حتی در صورت جابجایی ابزارهای جداگانه ، جهت مشترک پاسخ را به اشتراک بگذارید در جهت های مخالفدر مقابل ، آنچه من وکتور آن را یکنواختی می نامم فرض جذب درمان را در همه ابزارها یکنواخت می کند.من توصیف می کنم کلاس پارامترهای علی که نقطه ای تحت یکنواختی بردار مشخص می شوند ، وقتی سازها باینری هستند.این کلاس ، به عنوان مثال ، میانگین را شامل می شود تأثیر درمانی در بین واحدهایی که به هر طریقی پاسخگو به مجموعه هستند از سازها ، یا مواردی که به زیر مجموعه مشخصی از آنها پاسخگو هستند.در نتایج شناسایی سازنده است و یک برآوردگر ساده برای پارامترهای اثر درمانی شناسایی شده.یک برنامه تجربی تجدید نظر می کند بازار کار به کالج باز می گردد.

This article investigates retirement decumulation behaviours using the Grouped Fixed-Effects (GFE) estimator applied to Australian panel data on drawdowns from phased withdrawal retirement income products. Behaviours exhibited by the distinct latent groups identified suggest that retirees may adopt simple heuristics determining how they draw down their accumulated wealth. Two extensions to the original GFE methodology are proposed: a latent group label-matching procedure which broadens bootstrap inference to include the time profile estimates, and a modified estimation procedure for models with time-invariant additive fixed effects estimated using unbalanced data.

در این مقاله رفتارهای دفع بازنشستگی با استفاده از برآوردگر اثرات ثابت (GFE) برای داده های پانل استرالیا اعمال می شود کاهش از محصولات درآمد بازنشستگی برداشت مرحله.رفتار به نمایش گذاشته شده توسط گروههای پنهان مشخص شده نشان می دهد که بازنشستگان ممکن است اکتشافی ساده را تعیین می کند که چگونه آنها جمع شده خود را کاهش می دهند ثروتدو روش افزودنی به روش اصلی GFE ارائه شده است: یک نهان روش تطبیق برچسب گروهی که استنتاج bootstrap را گسترش می دهد برآورد مشخصات زمان ، و یک روش تخمین اصلاح شده برای مدل های دارای اثرات ثابت افزودنی افزودنی زمان با استفاده از داده های نامتعادل تخمین زده می شود.

Difference-in-Differences (DID) research designs usually rely on variation of treatment timing such that, after making an appropriate parallel trends assumption, one can identify, estimate, and make inference about causal effects. In practice, however, different DID procedures rely on different parallel trends assumptions (PTA), and recover different causal parameters. In this paper, we focus on staggered DID (also referred as event-studies) and discuss the role played by the PTA in terms of identification and estimation of causal parameters. We document a ``robustness'' vs. ``efficiency'' trade-off in terms of the strength of the underlying PTA, and argue that practitioners should be explicit about these trade-offs whenever using DID procedures. We propose new DID estimators that reflect these trade-offs and derived their large sample properties. We illustrate the practical relevance of these results by assessing whether the transition from federal to state management of the Clean Water Act affects compliance rates.

اختلاف در اختلافات (DID) طرح های تحقیقاتی معمولاً به تنوع متکی هستند زمان بندی درمانی به گونه ای که پس از ایجاد یک روند موازی مناسب فرض ، می توان در مورد علیت شناسایی ، تخمین و استنباط کرد اثراتدر عمل ، با این حال ، روشهای مختلف DID به متفاوت متکی هستند فرضیات روندهای موازی (PTA) ، و بازیابی پارامترهای علی مختلف.که در در این مقاله ، ما بر روی DID های مبهم (همچنین به عنوان مطالعه رویداد) تمرکز می کنیم و در مورد نقش PTA از نظر شناسایی و تخمین بحث کنید پارامترهای علی.ما یک "استحکام" در مقابل "کارآیی" را مستند می کنیم شرایط قدرت PTA اساسی ، و استدلال می کند که پزشکان باید در مورد این معاملات هر زمان که از روشهای DID استفاده می کرد ، صریح باشد.ما برآوردگرهای جدید DID را پیشنهاد دهید که منعکس کننده این معاملات و آنها است و آنها را به دست می آورند خواص نمونه بزرگ.ما ارتباط عملی این نتایج را نشان می دهیم با ارزیابی اینکه آیا انتقال از فدرال به مدیریت ایالتی از قانون آب تمیز بر میزان انطباق تأثیر می گذارد.

The paper focuses on econometrically justified robust analysis of the effects of the COVID-19 pandemic on financial markets in different countries across the World. It provides the results of robust estimation and inference on predictive regressions for returns on major stock indexes in 23 countries in North and South America, Europe, and Asia incorporating the time series of reported infections and deaths from COVID-19. We also present a detailed study of persistence, heavy-tailedness and tail risk properties of the time series of the COVID-19 infections and death rates that motivate the necessity in applications of robust inference methods in the analysis. Econometrically justified analysis is based on heteroskedasticity and autocorrelation consistent (HAC) inference methods, recently developed robust $t$-statistic inference approaches and robust tail index estimation.

این مقاله به تجزیه و تحلیل قوی اقتصادی توجیه شده از اثرات می پردازد از همه گیر Covid-19 در بازارهای مالی در کشورهای مختلف در سراسر جهاناین نتایج حاصل از برآورد قوی و استنباط در پیش بینی را فراهم می کند رگرسیون برای بازپرداخت شاخص های اصلی سهام در 23 کشور در شمال و آمریکای جنوبی ، اروپا و آسیا که شامل سری زمانی گزارش شده است عفونت ها و مرگ و میر COVID-19.ما همچنین یک مطالعه دقیق از پایداری ، دم سنگین و خصوصیات خطر دم از سری زمانی عفونت های Covid-19 و میزان مرگ و میر که باعث ایجاد ضرورت می شوند برنامه های روشهای استنتاج قوی در تجزیه و تحلیل.اقتصادی تجزیه و تحلیل توجیه شده مبتنی بر ناهمگونی و همبستگی است روشهای استنتاج سازگار (HAC) ، اخیراً قوی $ t $-statistic ایجاد شده است رویکردهای استنباط و برآورد شاخص دم قوی.

This paper examines the identification power of instrumental variables (IVs) for average treatment effect (ATE) in partially identified models. We decompose the ATE identification gains into components of contributions driven by IV relevancy, IV strength, direction and degree of treatment endogeneity, and matching via exogenous covariates. Our decomposition is demonstrated with graphical illustrations, simulation studies and an empirical example of childbearing and women's labour supply. Our analysis offers insights for understanding the complex role of IVs in ATE identification and for selecting IVs in practical policy designs. Simulations also suggest potential uses of our analysis for detecting irrelevant instruments.

در این مقاله به بررسی قدرت شناسایی متغیرهای ابزاری (IVS) برای میانگین اثر درمانی (ATE) در مدلهای جزئی شناسایی شده.ما تجزیه می کنیم شناسایی ATE به مؤلفه های مشارکتهای هدایت شده توسط IV می رسد ارتباط ، قدرت IV ، جهت و درجه درمان درون زا و تطبیق از طریق متغیرهای اگزوژن.تجزیه ما با نشان داده شده است تصاویر گرافیکی ، مطالعات شبیه سازی و یک نمونه تجربی از فرزندآوری و تأمین نیروی کار زنان.تجزیه و تحلیل ما بینش هایی را ارائه می دهد درک نقش پیچیده IV در شناسایی ATE و برای انتخاب IV در طرح های سیاست عملی.شبیه سازی ها همچنین کاربردهای بالقوه ما را نشان می دهد تجزیه و تحلیل برای تشخیص ابزارهای بی ربط.

This paper considers the asymptotic theory of a semiparametric M-estimator that is generally applicable to models that satisfy a monotonicity condition in one or several parametric indexes. We call the estimator two-stage maximum score (TSMS) estimator since our estimator involves a first-stage nonparametric regression when applied to the binary choice model of Manski (1975, 1985). We characterize the asymptotic distribution of the TSMS estimator, which features phase transitions depending on the dimension and thus the convergence rate of the first-stage estimation. Effectively, the first-stage nonparametric estimator serves as an imperfect smoothing function on a non-smooth criterion function, leading to the pivotality of the first-stage estimation error with respect to the second-stage convergence rate and asymptotic distribution

در این مقاله ، نظریه بدون علامت یک m-datimator semiparametric در نظر گرفته شده است این به طور کلی برای مدلهایی که شرایط یکنواختی را در آن برآورده می کنند ، کاربرد دارد یک یا چند شاخص پارامتری.ما حداکثر دو مرحله ای را برآوردگر می نامیم برآوردگر نمره (TSMS) از آنجا که برآوردگر ما شامل یک مرحله اول غیرپارامتری است رگرسیون هنگام استفاده از مدل انتخاب باینری مانسکی (1975 ، 1985).ما توزیع بدون علامت از برآوردگر TSMS را که ویژگی دارد مشخص کنید انتقال فاز بسته به ابعاد و در نتیجه میزان همگرایی تخمین مرحله اول.به طور موثری ، مرحله اول غیرپارامتری برآوردگر به عنوان یک عملکرد صاف کننده ناقص در یک معیار غیر صاف عمل می کند عملکرد ، منجر به محوری خطای تخمین مرحله اول با توجه به نرخ همگرایی مرحله دوم و توزیع بدون علامت

This paper aims to decompose a large dimensional vector autoregessive (VAR) model into two components, the first one being generated by a small-scale VAR and the second one being a white noise sequence. Hence, a reduced number of common components generates the entire dynamics of the large system through a VAR structure. This modelling, which we label as the dimension-reducible VAR, extends the common feature approach to high dimensional systems, and it differs from the dynamic factor model in which the idiosyncratic component can also embed a dynamic pattern. We show the conditions under which this decomposition exists. We provide statistical tools to detect its presence in the data and to estimate the parameters of the underlying small-scale VAR model. Based on our methodology, we propose a novel approach to identify the shock that is responsible for most of the common variability at the business cycle frequencies. We evaluate the practical value of the proposed methods by simulations as well as by an empirical application to a large set of US economic variables.

این مقاله با هدف تجزیه یک وکتور بزرگ Autoregessive (VAR) مدل به دو مؤلفه ، اولین مورد توسط یک VAR در مقیاس کوچک تولید می شود و مورد دوم دنباله سر و صدای سفید است.از این رو ، تعداد کاهش یافته اجزای متداول کل پویایی سیستم بزرگ را از طریق a ایجاد می کند ساختار var.این مدل سازی ، که ما به عنوان ابعاد کاهش یافته var ، برچسب می زنیم ، رویکرد ویژگی مشترک به سیستم های ابعادی بالا را گسترش می دهد و متفاوت است از مدل فاکتور پویا که در آن مؤلفه ایدیوسکراتیک نیز می تواند یک الگوی پویا را تعبیه کرد.ما شرایطی را نشان می دهیم که تحت این تجزیه وجود داردما ابزارهای آماری برای تشخیص حضور آن در داده ها و به پارامترهای مدل VAR در مقیاس کوچک را تخمین بزنید.بر اساس ما روش شناسی ، ما یک رویکرد جدید برای شناسایی شوک موجود پیشنهاد می کنیم مسئول بیشتر تنوع مشترک در چرخه تجارت فرکانس هاما ارزش عملی روشهای پیشنهادی را توسط شبیه سازی ها و همچنین توسط یک برنامه تجربی برای مجموعه بزرگی از ما متغیرهای اقتصادی.

We introduce the local composite quantile regression (LCQR) to causal inference in regression discontinuity (RD) designs. Kai et al. (2010) study the efficiency property of LCQR, while we show that its nice boundary performance translates to accurate estimation of treatment effects in RD under a variety of data generating processes. Moreover, we propose a bias-corrected and standard error-adjusted t-test for inference, which leads to confidence intervals with good coverage probabilities. A bandwidth selector is also discussed. For illustration, we conduct a simulation study and revisit a classic example from Lee (2008). A companion R package rdcqr is developed.

ما رگرسیون کمیت کامپوزیت محلی (LCQR) را به علت معرفی می کنیم استنباط در طرح های ناپیوستگی رگرسیون (RD).کای و همکاران.(2010) مطالعه خاصیت کارآیی LCQR ، در حالی که ما نشان می دهیم که عملکرد مرزی خوب آن است به تخمین دقیق اثرات درمانی در RD تحت انواع مختلف ترجمه می شود فرآیندهای تولید داده.علاوه بر این ، ما یک تعصب اصلاح شده و استاندارد را پیشنهاد می کنیم آزمون t تنظیم شده برای استنباط ، که منجر به فواصل اطمینان با آن می شود احتمال پوشش خوب.یک انتخاب پهنای باند نیز مورد بحث قرار گرفته است.برای تصویر ، ما یک مطالعه شبیه سازی را انجام می دهیم و یک مثال کلاسیک را دوباره بررسی می کنیم لی (2008).بسته RDCQR Companion R ایجاد شده است.

In this paper we provide a computation algorithm to get a global solution for the maximum rank correlation estimator using the mixed integer programming (MIP) approach. We construct a new constrained optimization problem by transforming all indicator functions into binary parameters to be estimated and show that it is equivalent to the original problem. We also consider an application of the best subset rank prediction and show that the original optimization problem can be reformulated as MIP. We derive the non-asymptotic bound for the tail probability of the predictive performance measure. We investigate the performance of the MIP algorithm by an empirical example and Monte Carlo simulations.

در این مقاله ما یک الگوریتم محاسباتی را برای دریافت یک راه حل جهانی ارائه می دهیم حداکثر برآوردگر همبستگی با استفاده از برنامه نویسی عدد صحیح مختلط (MIP) رویکرد.ما یک مشکل بهینه سازی محدود جدید را توسط ایجاد می کنیم تبدیل تمام توابع شاخص به پارامترهای باینری برای تخمین زده می شود و نشان دهید که معادل مشکل اصلی است.ما همچنین یک را در نظر می گیریم استفاده از بهترین پیش بینی رتبه زیر مجموعه و نشان می دهد که اصلی مشکل بهینه سازی را می توان به عنوان MIP اصلاح کرد.ما غیر متعارف را استخراج می کنیم محدود به احتمال دم اندازه گیری عملکرد پیش بینی.ما عملکرد الگوریتم MIP را با یک مثال تجربی بررسی کنید و شبیه سازی مونت کارلو.

This paper proposes a Bayesian approach to perform inference regarding the size of hidden populations at analytical region using reported statistics. To do so, we propose a specification taking into account one-sided error components and spatial effects within a panel data structure. Our simulation exercises suggest good finite sample performance. We analyze rates of crime suspects living per neighborhood in Medell\'in (Colombia) associated with four crime activities. Our proposal seems to identify hot spots or "crime communities", potential neighborhoods where under-reporting is more severe, and also drivers of crime schools. Statistical evidence suggests a high level of interaction between homicides and drug dealing in one hand, and motorcycle and car thefts on the other hand.

در این مقاله یک رویکرد بیزی برای انجام استنباط در مورد اندازه جمعیت پنهان در منطقه تحلیلی با استفاده از آمار گزارش شده.به این کار را انجام دهید ، ما با در نظر گرفتن خطای یک طرفه مشخصات را پیشنهاد می کنیم مؤلفه ها و اثرات مکانی در یک ساختار داده پانل.شبیه سازی ما تمرینات عملکرد نمونه محدود را نشان می دهد.ما میزان جرم را تجزیه و تحلیل می کنیم مظنونین زندگی در هر محله در Medell \ 'در (کلمبیا) همراه با چهار نفر فعالیت های جرم و جنایتبه نظر می رسد پیشنهاد ما برای شناسایی نقاط داغ یا "جرم" جوامع "، محلات بالقوه که در آن گزارش زیر گزارش شدیدتر است ، و همچنین رانندگان مدارس جرم.شواهد آماری نشان می دهد سطح بالایی از تعامل بین قتل ها و برخورد با مواد مخدر در یک دست ، و موتور سیکلت و سرقت ماشین از طرف دیگر.

This paper proposes an algorithm for computing regularized solutions to linear rational expectations models. The algorithm allows for regularization cross-sectionally as well as across frequencies. A variety of numerical examples illustrate the advantage of regularization.

در این مقاله یک الگوریتم برای محاسبه راه حل های منظم ارائه شده است مدل های انتظارات منطقی خطی.این الگوریتم امکان تنظیم را فراهم می کند از نظر مقطعی و همچنین فرکانس ها.انواع عددی مثالها مزیت منظم را نشان می دهد.

In line with the recent policy discussion on the use of macroprudential measures to respond to cross-border risks arising from capital flows, this paper tries to quantify to what extent macroprudential policies (MPPs) have been able to stabilize capital flows in Central, Eastern and Southeastern Europe (CESEE) -- a region that experienced a substantial boom-bust cycle in capital flows amid the global financial crisis and where policymakers had been quite active in adopting MPPs already before that crisis. To study the dynamic responses of capital flows to MPP shocks, we propose a novel regime-switching factor-augmented vector autoregressive (FAVAR) model. It allows to capture potential structural breaks in the policy regime and to control -- besides domestic macroeconomic quantities -- for the impact of global factors such as the global financial cycle. Feeding into this model a novel intensity-adjusted macroprudential policy index, we find that tighter MPPs may be effective in containing domestic private sector credit growth and the volumes of gross capital inflows in a majority of the countries analyzed. However, they do not seem to generally shield CESEE countries from capital flow volatility.

مطابق با بحث سیاست اخیر در مورد استفاده از Macroprudential اقدامات برای پاسخ به خطرات مرزی ناشی از جریان سرمایه ، این مقاله سعی می کند تا چه اندازه سیاست های کلان (MPP) را تعیین کند توانسته است جریان سرمایه در مرکز ، شرقی و جنوب شرقی را تثبیت کند اروپا (CESEE)-منطقه ای که یک چرخه رونق قابل توجهی را در آن تجربه کرده است جریان سرمایه در میان بحران مالی جهانی و جایی که سیاستگذاران بوده اند کاملاً در تصویب MPP ها قبل از این بحران بسیار فعال است.برای مطالعه پویا پاسخ جریان سرمایه به شوک های MPP ، ما یک تغییر رژیم جدید را پیشنهاد می کنیم مدل وکتور وکتور اتورگرایی (FAVAR).این اجازه می دهد تا ضبط شود شکست ساختاری بالقوه در رژیم سیاست و کنترل - علاوه بر این مقادیر کلان اقتصادی داخلی - برای تأثیر عوامل جهانی مانند چرخه مالی جهانی.تغذیه در این مدل با شدت تنظیم شده شاخص سیاست کلان ، می فهمیم که MPP های محکم تر ممکن است در آن مؤثر باشند حاوی رشد اعتباری بخش خصوصی داخلی و حجم ناخالص ورود سرمایه در اکثر کشورها مورد تجزیه و تحلیل قرار گرفت.با این حال ، آنها این کار را نمی کنند به نظر می رسد که به طور کلی کشورهای سس را از نوسانات جریان سرمایه محافظت می کند.

This paper studies the semi-parametric identification and estimation of a rational inattention model with Bayesian persuasion. The identification requires the observation of a cross-section of market-level outcomes. The empirical content of the model can be characterized by three moment conditions. A two-step estimation procedure is proposed to avoid computation complexity in the structural model. In the empirical application, I study the persuasion effect of Fox News in the 2000 presidential election. Welfare analysis shows that persuasion will not influence voters with high school education but will generate higher dispersion in the welfare of voters with a partial college education and decrease the dispersion in the welfare of voters with a bachelors degree.

در این مقاله به بررسی شناسایی و تخمین نیمه پارامتری a مدل عدم توجه منطقی با ترغیب بیزی.شناسایی نیاز به مشاهده مقطعی از نتایج سطح بازار دارد.در محتوای تجربی مدل را می توان با شرایط سه لحظه مشخص کرد. یک روش تخمین دو مرحله ای برای جلوگیری از پیچیدگی محاسبه در پیشنهاد شده است مدل ساختاری.در کاربرد تجربی ، اقناع را مطالعه می کنم تأثیر فاکس نیوز در انتخابات ریاست جمهوری 2000.تجزیه و تحلیل رفاه نشان می دهد این اقناع بر رأی دهندگان با آموزش دبیرستان تأثیر نخواهد گذاشت بلکه اراده خواهد کرد پراکندگی بالاتری در رفاه رأی دهندگان با یک کالج جزئی ایجاد کنید آموزش و کاهش پراکندگی در رفاه رأی دهندگان با لیسانس درجه.

We consider fixed effects binary choice models with a fixed number of periods $T$ and regressors without a large support. If the time-varying unobserved terms are i.i.d. with known distribution $F$, \cite{chamberlain2010} shows that the common slope parameter is point identified if and only if $F$ is logistic. However, he only considers in his proof $T=2$. We show that the result does not generalize to $T\geq 3$: the common slope parameter can be identified when $F$ belongs to a family including the logit distribution. Identification is based on a conditional moment restriction. Under restrictions on the covariates, these moment conditions lead to point identification of relative effects. If $T=3$ and mild conditions hold, GMM estimators based on these conditional moment restrictions reach the semiparametric efficiency bound. Finally, we illustrate our method by revisiting Brender and Drazen (2008).

ما مدلهای انتخاب باینری را با تعداد مشخصی از دوره ها در نظر می گیریم $ t $ و رگرسیون بدون پشتیبانی بزرگ.اگر با توجه به زمان متفاوت باشد شرایط I.I.D.با توزیع شناخته شده $ f $ ، \ cite {Chamberlain2010} این را نشان می دهد پارامتر شیب رایج نقطه مشخص شده است اگر و فقط اگر $ f $ لجستیک باشد. با این حال ، او فقط اثبات خود را $ t = 2 $ در نظر می گیرد.ما نشان می دهیم که نتیجه این کار را نمی کند عمومی کردن به $ t \ geq 3 $: پارامتر شیب مشترک را می توان در هنگام $ f $ شناسایی کرد متعلق به خانواده ای از جمله توزیع ورود به سیستم است.شناسایی مبتنی بر در یک لحظه مشروط.تحت محدودیت در متغیرها ، این شرایط لحظه ای منجر به شناسایی نقطه اثرات نسبی می شود.اگر $ t = 3 $ و شرایط خفیف ، برآوردگرهای GMM بر اساس این مشروط محدودیت های لحظه به کارآیی نیمهرامتری می رسد.بالاخره ، ما روش ما را با تجدید نظر در Brender و Drazen (2008) نشان دهید.

We address the issue of semiparametric efficiency in the bivariate regression problem with a highly persistent predictor, where the joint distribution of the innovations is regarded an infinite-dimensional nuisance parameter. Using a structural representation of the limit experiment and exploiting invariance relationships therein, we construct invariant point-optimal tests for the regression coefficient of interest. This approach naturally leads to a family of feasible tests based on the component-wise ranks of the innovations that can gain considerable power relative to existing tests under non-Gaussian innovation distributions, while behaving equivalently under Gaussianity. When an i.i.d. assumption on the innovations is appropriate for the data at hand, our tests exploit the efficiency gains possible. Moreover, we show by simulation that our test remains well behaved under some forms of conditional heteroskedasticity.

ما به موضوع کارآیی نیمه مترادف در رگرسیون دو متغیره پرداخته ایم مشکل با یک پیش بینی کننده بسیار مداوم ، که در آن توزیع مشترک نوآوری ها یک پارامتر مزاحم نامتناهی در نظر گرفته می شوند.با استفاده از a بازنمایی ساختاری آزمایش حد و سوء استفاده از تغییر روابط موجود در آن ، ما تست های بهینه-بهینه را برای ضریب رگرسیون علاقه.این رویکرد به طور طبیعی منجر به یک خانواده می شود تست های عملی بر اساس رده های مؤلفه نوآوری هایی که می توانند قدرت قابل توجهی نسبت به تست های موجود تحت غیر گاوسی بدست آورید توزیع نوآوری ، در حالی که به طور معادل تحت Gaussianity رفتار می کند.چه زمانی یک I.I.D.فرض در مورد نوآوری ها برای داده های مورد نظر مناسب است ، آزمایشات ما از بهره وری ممکن بهره برداری می کند.علاوه بر این ، ما توسط شبیه سازی که آزمون ما در برخی از اشکال مشروط به خوبی رفتار می کند ناهمگونی.

This paper considers the problem of testing whether there exists a non-negative solution to a possibly under-determined system of linear equations with known coefficients. This hypothesis testing problem arises naturally in a number of settings, including random coefficient, treatment effect, and discrete choice models, as well as a class of linear programming problems. As a first contribution, we obtain a novel geometric characterization of the null hypothesis in terms of identified parameters satisfying an infinite set of inequality restrictions. Using this characterization, we devise a test that requires solving only linear programs for its implementation, and thus remains computationally feasible in the high-dimensional applications that motivate our analysis. The asymptotic size of the proposed test is shown to equal at most the nominal level uniformly over a large class of distributions that permits the number of linear equations to grow with the sample size.

در این مقاله مشکل آزمایش وجود دارد که آیا وجود دارد راه حل غیر منفی برای یک سیستم احتمالاً تعیین شده از معادلات خطی با ضرایب شناخته شده.این مشکل آزمایش فرضیه به طور طبیعی در یک بوجود می آید تعداد تنظیمات ، از جمله ضریب تصادفی ، اثر درمانی و مدل های انتخاب گسسته و همچنین یک کلاس از مشکلات برنامه نویسی خطی.به عنوان سهم اول ، ما یک شخصیت هندسی رمان از تهی به دست می آوریم فرضیه از نظر پارامترهای مشخص شده برآورده شده از یک مجموعه نامحدود محدودیت های نابرابری.با استفاده از این خصوصیات ، ما تست را ابداع می کنیم که برای اجرای آن فقط نیاز به حل برنامه های خطی دارد و بنابراین باقی می ماند از نظر محاسباتی در برنامه های با ابعاد بالا که انگیزه ما را دارند امکان پذیر است تحلیل و بررسی.اندازه بدون علامت آزمایش پیشنهادی حداکثر برابر است سطح اسمی به طور یکنواخت بیش از یک کلاس بزرگ توزیع که اجازه می دهد تعداد معادلات خطی برای رشد با اندازه نمونه.

The issue of missing network links in partially observed networks is frequently neglected in empirical studies. This paper aims to address this issue when investigating spillovers of program benefits in the presence of network interactions. We focus on a nonparametric outcome model that allows for flexible forms of heterogeneity, and we propose two methods to point identify the treatment and spillover effects in the case of bounded network degree. When the network degree is unbounded, these methods can be used to mitigate the bias caused by missing network links. The first method utilizes two easily-constructed network measures based on the incoming and outgoing links. The second method relies on a single network measure with a known rate of missing links. We demonstrate the effective bias reduction provided by our methods using Monte Carlo experiments and a naturalistic simulation on real-world school network data. Finally, we re-examine the spillovers of home computer use on children's self-empowered learning.

مسئله پیوندهای شبکه از دست رفته در شبکه های جزئی مشاهده شده است غالباً در مطالعات تجربی مورد غفلت قرار می گیرد.این مقاله با هدف پرداختن به این موضوع مسئله هنگام تحقیق در مورد سرریز مزایای برنامه در حضور تعامل شبکه.ما روی یک مدل نتیجه غیرپارامتری تمرکز می کنیم که امکان پذیر است اشکال انعطاف پذیر ناهمگونی ، و ما دو روش را برای شناسایی پیشنهاد می کنیم اثرات درمان و سرریز در مورد درجه شبکه محدود.چه زمانی درجه شبکه بدون مرز است ، از این روش ها می توان برای کاهش تعصب استفاده کرد ناشی از پیوندهای شبکه از دست رفته.روش اول از دو استفاده می کند اقدامات شبکه به راحتی ساخته شده بر اساس پیوندهای ورودی و خروجی. روش دوم به یک اندازه گیری شبکه واحد با نرخ شناخته شده متکی است پیوندهای از دست رفتهما کاهش تعصب مؤثر ارائه شده توسط ما را نشان می دهیم روشهای با استفاده از آزمایشات مونت کارلو و شبیه سازی طبیعت گرایانه در داده های شبکه مدرسه در دنیای واقعی.سرانجام ، ما مجدداً سرریزهای خانه را بررسی می کنیم استفاده از رایانه در یادگیری خود قدرتمند کودکان.

By exploiting McFadden (1974)'s results on conditional logit estimation, we show that there exists a one-to-one mapping between existence and uniqueness of conditional maximum likelihood estimates of the binary logit model with fixed effects and the configuration of data points. Our results extend those in Albert and Anderson (1984) for the cross-sectional case and can be used to build a simple algorithm that detects spurious estimates in finite samples. As an illustration, we exhibit an artificial dataset for which the STATA's command \texttt{clogit} returns spurious estimates.

با بهره برداری از نتایج مک فادن (1974) در مورد تخمین ورود به سیستم مشروط ، ما نشان دهید که یک نقشه برداری یک به یک بین وجود و منحصر به فرد بودن وجود دارد برآورد حداکثر احتمال مشروط از مدل ورود باینری با ثابت اثرات و پیکربندی نقاط داده.نتایج ما نتایج را گسترش می دهد آلبرت و اندرسون (1984) برای مورد مقطعی و می توان از آنها استفاده کرد یک الگوریتم ساده بسازید که تخمین های فریبنده را در نمونه های محدود تشخیص می دهد.مانند یک تصویر ، ما یک مجموعه داده مصنوعی را که دستور stata است به نمایش می گذاریم \ texttt {clogit} برآوردهای فریبنده را برمی گرداند.

For counterfactual policy evaluation, it is important to ensure that treatment parameters are relevant to policies in question. This is especially challenging under unobserved heterogeneity, as is well featured in the definition of the local average treatment effect (LATE). Being intrinsically local, the LATE is known to lack external validity in counterfactual environments. This paper investigates the possibility of extrapolating local treatment effects to different counterfactual settings when instrumental variables are only binary. We propose a novel framework to systematically calculate sharp nonparametric bounds on various policy-relevant treatment parameters that are defined as weighted averages of the marginal treatment effect (MTE). Our framework is flexible enough to fully incorporate statistical independence (rather than mean independence) of instruments and a large menu of identifying assumptions beyond the shape restrictions on the MTE that have been considered in prior studies. We apply our method to understand the effects of medical insurance policies on the use of medical services.

برای ارزیابی سیاست ضد خلاف ، اطمینان از این امر مهم است پارامترهای درمانی مربوط به سیاست های مورد نظر است.این مخصوصاً به چالش کشیدن تحت ناهمگونی بدون نظارت ، همانطور که در آن به خوبی نشان داده شده است تعریف اثر درمانی متوسط محلی (اواخر).ذاتی بودن محلی ، اواخر شناخته شده است که فاقد اعتبار خارجی است محیطدر این مقاله امکان برون یابی محلی بررسی شده است اثرات درمانی به تنظیمات مختلف ضد عملی در صورت ابزاری متغیرها فقط باینری هستند.ما یک چارچوب جدید برای سیستماتیک پیشنهاد می کنیم مرزهای غیر پارامتری تیز را در درمان مختلف مربوط به سیاست محاسبه کنید پارامترهایی که به عنوان میانگین وزنی از درمان حاشیه ای تعریف شده اند اثر (MTE).چارچوب ما به اندازه کافی انعطاف پذیر است تا به طور کامل آماری را درج کند استقلال (به جای میانگین استقلال) ابزارها و منوی بزرگی از شناسایی فرضیات فراتر از محدودیت های شکل در MTE که بوده است در مطالعات قبلی در نظر گرفته شده است.ما از روش خود برای درک اثرات استفاده می کنیم بیمه نامه های پزشکی در مورد استفاده از خدمات پزشکی.

We study efficiency improvements in estimating a vector of potential outcome means using linear regression adjustment when there are more than two treatment levels. We show that using separate regression adjustments for each assignment level is never worse, asymptotically, than using the subsample averages. We also show that separate regression adjustment improves over pooled regression adjustment except in the obvious case where slope parameters in the linear projections are identical across the different assignment levels. We also characterize the class of nonlinear regression adjustment methods that preserve consistency of the potential outcome means despite arbitrary misspecification of the conditional mean functions. Finally, we apply this general potential outcomes framework to a contingent valuation study for estimating lower bound mean willingness to pay for an oil spill prevention program in California.

ما در برآورد یک بردار از نتیجه بالقوه ، بهبود کارایی را مطالعه می کنیم به معنای استفاده از تنظیم رگرسیون خطی در هنگام وجود بیش از دو درمان سطح.ما نشان می دهیم که استفاده از تنظیمات رگرسیون جداگانه برای هر تکلیف سطح هرگز بدتر از استفاده از میانگین های زیر نمونه نیست.ما همچنین نشان می دهد که تنظیم رگرسیون جداگانه بیش از رگرسیون تلفیقی بهبود می یابد تنظیم به جز در مورد آشکار که پارامترهای شیب در خطی است پیش بینی ها در سطح تکلیف مختلف یکسان هستند.ما همچنین کلاس روشهای تنظیم رگرسیون غیرخطی را که حفظ می کنند مشخص کنید قوام نتیجه بالقوه به معنای علی رغم اشتباه اشتباه خودسرانه است از عملکردهای میانگین مشروطسرانجام ، ما این پتانسیل کلی را اعمال می کنیم چارچوب نتایج به یک مطالعه ارزیابی احتمالی برای برآورد مرز پایین میانگین تمایل به پرداخت برنامه پیشگیری از نشت نفت در کالیفرنیا.

The literature on dynamic discrete games often assumes that the conditional choice probabilities and the state transition probabilities are homogeneous across markets and over time. We refer to this as the "homogeneity assumption" in dynamic discrete games. This assumption enables empirical studies to estimate the game's structural parameters by pooling data from multiple markets and from many time periods. In this paper, we propose a hypothesis test to evaluate whether the homogeneity assumption holds in the data. Our hypothesis test is the result of an approximate randomization test, implemented via a Markov chain Monte Carlo (MCMC) algorithm. We show that our hypothesis test becomes valid as the (user-defined) number of MCMC draws diverges, for any fixed number of markets, time periods, and players. We apply our test to the empirical study of the U.S.\ Portland cement industry in Ryan (2012).

ادبیات مربوط به بازی های گسسته پویا اغلب فرض می کند که مشروط احتمالات انتخاب و احتمالات انتقال دولت همگن است در سراسر بازارها و با گذشت زمان.ما از این به عنوان "فرض همگن" یاد می کنیم در بازی های گسسته پویا.این فرض مطالعات تجربی را قادر می سازد پارامترهای ساختاری بازی را با جمع کردن داده ها از چندین بازار تخمین بزنید و از بسیاری از دوره های زمانیدر این مقاله ، ما یک آزمون فرضیه را پیشنهاد می کنیم ارزیابی کنید که آیا فرض همگن در داده ها وجود دارد یا خیر.فرضیه ما آزمون نتیجه یک آزمون تصادفی تقریبی است که از طریق a اجرا می شود الگوریتم زنجیره ای مونت کارلو (MCMC) زنجیره ای مارکوف.ما نشان می دهیم که آزمون فرضیه ما معتبر می شود زیرا تعداد (تعریف شده توسط کاربر) MCMC برای هر یک از واگنها را ترسیم می کند تعداد ثابت بازارها ، دوره های زمانی و بازیکنان.ما آزمون خود را در مطالعه تجربی صنعت سیمان پورتلند ایالات متحده در رایان (2012).

This comment points out a serious flaw in the article "Gouri\'eroux, Monfort, Renne (2019): Identification and Estimation in Non-Fundamental Structural VARMA Models" with regard to mirroring complex-valued roots with Blaschke polynomial matrices. Moreover, the (non-) feasibility of the proposed method (if the handling of Blaschke transformation were not prohibitive) for cross-sectional dimensions greater than two and vector moving average (VMA) polynomial matrices of degree greater than one is discussed.

این نظر نقص جدی در مقاله "Gouri \ 'eroux ، Monfort ، Renne (2019): شناسایی و تخمین در ساختاری غیر فورازی Varma مدل ها "با توجه به آینه کاری ریشه های پیچیده با چند جمله ای Blaschke ماتریسعلاوه بر این ، امکان سنجی (غیر) روش پیشنهادی (اگر رسیدگی به تحول Blaschke برای مقطعی ممنوع نبود) ابعاد بیشتر از دو و ماتریس چند جمله ای میانگین حرکت وکتور (VMA) از درجه بزرگتر از یک مورد بحث شده است.

This note provides additional interpretation for the counterfactual outcome distribution and corresponding unconditional quantile "effects" defined and estimated by Firpo, Fortin, and Lemieux (2009) and Chernozhukov, Fern\'andez-Val, and Melly (2013). With conditional independence of the policy variable of interest, these methods estimate the policy effect for certain types of policies, but not others. In particular, they estimate the effect of a policy change that itself satisfies conditional independence.

این نت تفسیر اضافی برای نتیجه ضد خلاف واقع ارائه می دهد توزیع و "اثرات" کمی بی قید و شرط مربوطه تعریف شده و تخمین زده شده توسط Firpo ، Fortin و Lemieux (2009) و Chernozhukov ، Fern \ 'Andez-Val ، و Melly (2013).با استقلال مشروط سیاست متغیر علاقه ، این روش ها اثر سیاست را برای برخی تخمین می زنند انواع سیاست ها ، اما دیگران نیست.به ویژه ، آنها اثر a را تخمین می زنند تغییر سیاست که خود استقلال مشروط را برآورده می کند.

This paper proposes a test for the joint hypothesis of correct dynamic specification and no omitted latent factors for the Quantile Autoregression. If the composite null is rejected we proceed to disentangle the cause of rejection, i.e., dynamic misspecification or an omitted variable. We establish the asymptotic distribution of the test statistics under fairly weak conditions and show that factor estimation error is negligible. A Monte Carlo study shows that the suggested tests have good finite sample properties. Finally, we undertake an empirical illustration of modelling GDP growth and CPI inflation in the United Kingdom, where we find evidence that factor augmented models are correctly specified in contrast with their non-augmented counterparts when it comes to GDP growth, while also exploring the asymmetric behaviour of the growth and inflation distributions.

در این مقاله آزمایشی برای فرضیه مشترک پویا صحیح ارائه شده است مشخصات و هیچ فاکتور نهفته حذف شده برای اتوستیت کمی.اگر تهی کامپوزیت رد می شود ما علت آن را از هم جدا می کنیم رد ، یعنی غلط گیری پویا یا متغیر حذف شده.ما تأسیس می کنیم توزیع بدون علامت آمار آزمون در شرایط نسبتاً ضعیف و نشان دهید که خطای تخمین عامل ناچیز است.یک مطالعه مونت کارلو نشان می دهد که تست های پیشنهادی دارای خواص نمونه محدود خوبی هستند.بالاخره ، ما یک تصویر تجربی از مدل سازی رشد تولید ناخالص داخلی و تورم CPI را انجام دهید در انگلستان ، جایی که ما شواهدی پیدا می کنیم که مدلهای افزوده فاکتور هستند درست بر خلاف همتایان غیر همگام آنها هنگام آن مشخص شده است به رشد تولید ناخالص داخلی می آید ، ضمن اینکه به بررسی رفتار نامتقارن نیز می پردازد توزیع و توزیع تورم.

In this paper, we establish sufficient conditions for identifying treatment effects on continuous outcomes in endogenous and multi-valued discrete treatment settings with unobserved heterogeneity. We employ the monotonicity assumption for multi-valued discrete treatments and instruments, and our identification condition has a clear economic interpretation. In addition, we identify the local treatment effects in multi-valued treatment settings and derive closed-form expressions of the identified treatment effects. We provide examples to illustrate the usefulness of our result.

در این مقاله ، ما شرایط کافی برای شناسایی درمان ایجاد می کنیم تأثیر بر نتایج مداوم در گسسته درون زا و چند ارزشی تنظیمات درمانی با ناهمگونی بدون نظارت.ما از یکنواختی استفاده می کنیم فرض برای درمان ها و ابزارهای گسسته چند ارزشمند و ما شرط شناسایی تعبیر اقتصادی روشنی دارد.علاوه بر این ، ما اثرات درمانی محلی را در تنظیمات درمانی چند ارزشی مشخص کنید و بیانگر بیان بسته از اثرات درمانی مشخص شده است.ما فراهم می کنیم نمونه هایی برای نشان دادن سودمندی نتیجه ما.

Consider a causal structure with endogeneity (i.e., unobserved confoundedness) in empirical data, where an instrumental variable is available. In this setting, we show that the mean social welfare function can be identified and represented via the marginal treatment effect (MTE, Bjorklund and Moffitt, 1987) as the operator kernel. This representation result can be applied to a variety of statistical decision rules for treatment choice, including plug-in rules, Bayes rules, and empirical welfare maximization (EWM) rules as in Hirano and Porter (2020, Section 2.3). Focusing on the application to the EWM framework of Kitagawa and Tetenov (2018), we provide convergence rates of the worst case average welfare loss (regret) in the spirit of Manski (2004).

یک ساختار علیت را با درون زایی در نظر بگیرید (یعنی بدون محافظت مخدوش بودن) در داده های تجربی ، جایی که یک متغیر ابزاری در دسترس است. در این تنظیم ، ما نشان می دهیم که میانگین عملکرد رفاه اجتماعی می تواند باشد از طریق اثر درمانی حاشیه ای شناسایی و نمایش داده می شود (MTE ، Bjorklund و مفتیت ، 1987) به عنوان هسته اپراتور.این نتیجه نمایندگی می تواند باشد اعمال شده برای انواع قوانین تصمیم آماری برای انتخاب درمان ، از جمله قوانین افزونه ، قوانین Bayes و حداکثر رساندن رفاه تجربی (EWM) قوانینی که در هیرانو و پورتر (2020 ، بخش 2.3).تمرکز روی برنامه به چارچوب EWM Kitagawa و Tetenov (2018) ، ما همگرایی را ارائه می دهیم نرخ بدترین حالت از دست دادن رفاه متوسط (پشیمانی) در روح مانسکی (2004).

We prove the asymptotic properties of the maximum likelihood estimator (MLE) in time-varying transition probability (TVTP) regime-switching models. This class of models extends the constant regime transition probability in Markov-switching models to a time-varying probability by including information from observations. An important feature in this proof is the mixing rate of the regime process conditional on the observations, which is time varying owing to the time-varying transition probabilities. Consistency and asymptotic normality follow from the almost deterministic geometrically decaying bound of the mixing rate. The assumptions are verified in regime-switching autoregressive models with widely-applied TVTP specifications. A simulation study examines the finite-sample distributions of the MLE and compares the estimates of the asymptotic variance constructed from the Hessian matrix and the outer product of the score. The simulation results favour the latter. As an empirical example, we compare three leading economic indicators in terms of describing U.S. industrial production.

ما خصوصیات بدون علامت از برآوردگر حداکثر احتمال (MLE) را اثبات می کنیم در مدل های تغییر سرعت انتقال متغیر زمان (TVTP).این کلاس مدل ها احتمال انتقال رژیم ثابت را در مدل های تغییر دهنده مارکوف به یک احتمال متغیر زمان با درج اطلاعات از مشاهداتیک ویژگی مهم در این اثبات میزان اختلاط این است فرآیند رژیم مشروط به مشاهدات ، که به دلیل زمان متفاوت است احتمالات انتقال متغیر زمان.قوام و عادی بودن بدون علامت از محدودیت هندسی تقریباً قطعی از مخلوط کردن پیروی کنید نرخ.فرضیات در مدلهای اتورگرایی تغییر دهنده رژیم تأیید شده است با مشخصات گسترده TVTP.یک مطالعه شبیه سازی بررسی می کند توزیع نمونه محدود MLE و مقایسه تخمین های واریانس بدون علامت ساخته شده از ماتریس Hessian و محصول بیرونی از نمرهنتایج شبیه سازی طرفدار دومی است.به عنوان یک تجربی به عنوان مثال ، ما سه شاخص اقتصادی پیشرو را از نظر توصیف مقایسه می کنیم تولید صنعتی ایالات متحده.

In this paper, we are interested in testing if the volatility process is constant or not during a given time span by using high-frequency data with the presence of jumps and microstructure noise. Based on estimators of integrated volatility and spot volatility, we propose a nonparametric way to depict the discrepancy between local variation and global variation. We show that our proposed test estimator converges to a standard normal distribution if the volatility is constant, otherwise it diverges to infinity. Simulation studies verify the theoretical results and show a good finite sample performance of the test procedure. We also apply our test procedure to do the heteroscedasticity test for some real high-frequency financial data. We observe that in almost half of the days tested, the assumption of constant volatility within a day is violated. And this is due to that the stock prices during opening and closing periods are highly volatile and account for a relative large proportion of intraday variation.

در این مقاله ، ما علاقه مند به آزمایش در صورتی است که روند نوسانات است ثابت یا نه در مدت زمان معین با استفاده از داده های با فرکانس بالا با وجود پرش و سر و صدای ریزساختار.بر اساس برآوردگرهای یکپارچه نوسانات و نوسانات نقطه ای ، ما یک روش غیرپارامتری را برای تصویر کردن پیشنهاد می کنیم اختلاف بین تنوع محلی و تنوع جهانی.ما نشان می دهیم که ما برآوردگر آزمون پیشنهادی اگر نوسانات ثابت است ، در غیر این صورت به بی نهایت منحرف می شود.مطالعات شبیه سازی نتایج نظری را تأیید کنید و عملکرد نمونه محدود خوبی از روش آزمونما همچنین روش آزمایش خود را برای انجام ناهمگونی اعمال می کنیم برای برخی از داده های مالی با فرکانس بالا واقعی آزمون کنید.ما تقریباً در آن مشاهده می کنیم نیمی از روزهای آزمایش شده ، فرض نوسانات ثابت طی یک روز است نقض شدهو این به این دلیل است که قیمت سهام در هنگام باز و بسته شدن دوره ها بسیار بی ثبات هستند و بخش بزرگی از آن را به خود اختصاص می دهند تنوع داخلی.

Measuring model risk is required by regulators on financial and insurance markets. We separate model risk into parameter estimation risk and model specification risk, and we propose expected shortfall type model risk measures applied to Levy jump models and affine jump-diffusion models. We investigate the impact of parameter estimation risk and model specification risk on the models' ability to capture the joint dynamics of stock and option prices. We estimate the parameters using Markov chain Monte Carlo techniques, under the risk-neutral probability measure and the real-world probability measure jointly. We find strong evidence supporting modeling of price jumps.

اندازه گیری ریسک مدل توسط تنظیم کننده های مالی و بیمه مورد نیاز است بازارهاما ریسک مدل را در معرض خطر و مدل برآورد پارامتر جدا می کنیم ریسک مشخصات ، و ما اقدامات ریسک مدل کمبود مورد انتظار را پیشنهاد می کنیم برای مدل های پرش Levy و مدل های پرش Diffusion اعمال می شود.ما تحقیق می کنیم تأثیر خطر تخمین پارامتر و خطر مشخصات مدل بر روی توانایی مدل ها در ضبط پویایی مشترک سهام و قیمت گزینه.ما پارامترها را با استفاده از تکنیک های زنجیره ای مارکوف مونت کارلو ، در زیر تخمین بزنید اندازه گیری احتمال بی طرف خطر و اندازه گیری احتمال در دنیای واقعی به طور مشترکما شواهد محکمی پیدا می کنیم که از مدل سازی پرش قیمت حمایت می کند.

Synchronization is a phenomenon in which a pair of fluctuations adjust their rhythms when interacting with each other. We measure the degree of synchronization between the U.S. dollar (USD) and euro exchange rates and between the USD and Japanese yen exchange rates on the basis of purchasing power parity (PPP) over time. We employ a method of synchronization analysis using the Hilbert transform, which is common in the field of nonlinear science. We find that the degree of synchronization is high most of the time, suggesting the establishment of PPP. The degree of synchronization does not remain high across periods with economic events with asymmetric effects, such as the U.S. real estate bubble.

هماهنگ سازی پدیده ای است که در آن یک جفت نوسانات آنها را تنظیم می کند ریتم هنگام تعامل با یکدیگر.ما درجه را اندازه می گیریم هماهنگ سازی بین دلار ایالات متحده (USD) و نرخ ارز یورو و بین دلار و نرخ ارز ین ژاپنی بر اساس خرید برابری قدرت (PPP) با گذشت زمان.ما از یک روش تجزیه و تحلیل همگام سازی استفاده می کنیم با استفاده از تبدیل هیلبرت ، که در زمینه علم غیرخطی رایج است. ما می دانیم که میزان همگام سازی بیشتر اوقات زیاد است ، تأسیس PPP.درجه همگام سازی زیاد نیست در طول دوره هایی با وقایع اقتصادی با اثرات نامتقارن ، مانند ایالات متحده آمریکا حباب املاک و مستغلات.

Decomposition methods are often used for producing counterfactual predictions in non-strategic settings. When the outcome of interest arises from a game-theoretic setting where agents are better off by deviating from their strategies after a new policy, such predictions, despite their practical simplicity, are hard to justify. We present conditions in Bayesian games under which the decomposition-based predictions coincide with the equilibrium-based ones. In many games, such coincidence follows from an invariance condition for equilibrium selection rules. To illustrate our message, we revisit an empirical analysis in Ciliberto and Tamer (2009) on firms' entry decisions in the airline industry.

روشهای تجزیه اغلب برای تولید پیش بینی های ضد عملی استفاده می شود در تنظیمات غیر استراتژیک.هنگامی که نتیجه علاقه از a ناشی می شود تنظیمات نظری بازی که در آن نمایندگان با انحراف از آنها بهتر هستند استراتژی ها پس از یک سیاست جدید ، چنین پیش بینی هایی ، با وجود عملی آنها سادگی ، توجیه سخت است.ما شرایط را در بازی های بیزی در زیر ارائه می دهیم که پیش بینی های مبتنی بر تجزیه همزمان با تعادل است آنهایی کهدر بسیاری از بازی ها ، چنین تصادف از شرط عدم وجود برای قوانین انتخاب تعادل.برای نشان دادن پیام خود ، ما یک تجربی را دوباره مرور می کنیم تجزیه و تحلیل در Ciliberto و Tamer (2009) در مورد تصمیمات ورود شرکت ها در شرکت هواپیمایی صنعت.

This paper tackles forecast combination with many forecasts or minimum variance portfolio selection with many assets. A novel convex problem called L2-relaxation is proposed. In contrast to standard formulations, L2-relaxation minimizes the squared Euclidean norm of the weight vector subject to a set of relaxed linear inequality constraints. The magnitude of relaxation, controlled by a tuning parameter, balances the bias and variance. When the variance-covariance (VC) matrix of the individual forecast errors or financial assets exhibits latent group structures -- a block equicorrelation matrix plus a VC for idiosyncratic noises, the solution to L2-relaxation delivers roughly equal within-group weights. Optimality of the new method is established under the asymptotic framework when the number of the cross-sectional units $N$ potentially grows much faster than the time dimension $T$. Excellent finite sample performance of our method is demonstrated in Monte Carlo simulations. Its wide applicability is highlighted in three real data examples concerning empirical applications of microeconomics, macroeconomics, and finance.

این مقاله با پیش بینی بسیاری از پیش بینی ها یا حداقل پیش بینی می شود انتخاب نمونه کارها واریانس با بسیاری از دارایی ها.یک مشکل محدب رمان به نام تطابق L2 پیشنهاد شده است.برخلاف فرمولاسیون های استاندارد ، L2-REFERATION هنجار اقلیدسی مربع بردار وزن را به حداقل می رساند محدودیت های نابرابری خطی آرام.بزرگی آرامش ، کنترل شده با یک پارامتر تنظیم ، تعصب و واریانس را متعادل می کند.وقتی که ماتریس واریانس کواریانس (VC) خطاهای پیش بینی فردی یا مالی دارایی ها ساختارهای گروهی نهفته را نشان می دهد - یک ماتریس با همبستگی بلوک به علاوه یک VC برای صداهای خاص ، راه حل برای تطبیق L2 تقریباً ارائه می دهد با وزن درون گروه برابر است.بهینه بودن روش جدید در زیر ایجاد شده است چارچوب بدون علامت هنگامی که تعداد واحدهای مقطعی $ n $ $ به طور بالقوه بسیار سریعتر از بعد زمان $ t $ رشد می کند.عالی محدود عملکرد نمونه روش ما در شبیه سازی مونت کارلو نشان داده شده است. کاربرد گسترده آن در سه مثال داده واقعی در مورد برجسته شده است کاربردهای تجربی اقتصاد خرد ، اقتصاد کلان و امور مالی.

In this paper, we propose a new nonparametric estimator of time-varying forecast combination weights. When the number of individual forecasts is small, we study the asymptotic properties of the local linear estimator. When the number of candidate forecasts exceeds or diverges with the sample size, we consider penalized local linear estimation with the group SCAD penalty. We show that the estimator exhibits the oracle property and correctly selects relevant forecasts with probability approaching one. Simulations indicate that the proposed estimators outperform existing combination schemes when structural changes exist. Two empirical studies on inflation forecasting and equity premium prediction highlight the merits of our approach relative to other popular methods.

در این مقاله ، ما یک برآوردگر غیرپارامتری جدید از متغیر زمان پیشنهاد می کنیم پیش بینی وزن ترکیبی.وقتی تعداد پیش بینی های فردی کوچک باشد ، ما خواص بدون علامت برآوردگر خطی محلی را مطالعه می کنیم.وقتی که تعداد پیش بینی های نامزد بیش از اندازه نمونه یا متفاوت است ، ما تخمین خطی محلی مجازات شده را با مجازات گروه SCAD در نظر بگیرید.ما نشان می دهیم که برآوردگر خاصیت اوراکل را به نمایش می گذارد و به درستی انتخاب می کند پیش بینی با احتمال نزدیک شدن به یک.شبیه سازی ها نشان می دهد که برآوردگرهای پیشنهادی از طرح های ترکیبی موجود در هنگام ساختاری بهتر عمل می کنند تغییرات وجود دارد.دو مطالعه تجربی در مورد پیش بینی تورم و عدالت پیش بینی حق بیمه شایستگی رویکرد ما را نسبت به سایر موارد برجسته می کند روشهای محبوب

This paper revisits the simple, but empirically salient, problem of inference on a real-valued parameter that is partially identified through upper and lower bounds with asymptotically normal estimators. A simple confidence interval is proposed and is shown to have the following properties: - It is never empty or awkwardly short, including when the sample analog of the identified set is empty. - It is valid for a well-defined pseudotrue parameter whether or not the model is well-specified. - It involves no tuning parameters and minimal computation. Computing the interval requires concentrating out one scalar nuisance parameter. In most cases, the practical result will be simple: To achieve 95% coverage, report the union of a simple 90% (!) confidence interval for the identified set and a standard 95% confidence interval for the pseudotrue parameter. For uncorrelated estimators -- notably if bounds are estimated from distinct subsamples -- and conventional coverage levels, validity of this simple procedure can be shown analytically. The case obtains in the motivating empirical application (de Quidt, Haushofer, and Roth, 2018), in which improvement over existing inference methods is demonstrated. More generally, simulations suggest that the novel confidence interval has excellent length and size control. This is partly because, in anticipation of never being empty, the interval can be made shorter than conventional ones in relevant regions of sample space.

در این مقاله ، مشکل ساده اما تجربی برجسته استنباط است روی یک پارامتر با ارزش واقعی که تا حدی از طریق بالا و پایین مشخص می شود مرزهایی با برآوردگرهای بدون علامت طبیعی.یک بازه اعتماد به نفس ساده است پیشنهادی و نشان داده شده است که دارای خواص زیر است: - هرگز خالی یا بی دست و پا نیست ، از جمله وقتی نمونه آنالوگ نمونه مجموعه مشخص شده خالی است. - برای یک پارامتر pseudotrue به خوبی تعریف شده معتبر است یا نه مدل به خوبی مشخص شده است. - این شامل هیچ پارامتر تنظیم و محاسبات حداقل نیست. محاسبه فاصله نیاز به تمرکز یک مزاحمت مقیاس دارد پارامتر.در بیشتر موارد ، نتیجه عملی ساده خواهد بود: برای دستیابی به 95 ٪ پوشش ، اتحادیه یک فاصله اطمینان 90 ٪ (!) را برای مجموعه شناسایی شده و یک فاصله اطمینان 95 ٪ استاندارد برای شبهه پارامتر. برای برآوردگرهای غیر مرتبط - به ویژه اگر مرزها از مجزا تخمین زده شوند نمونه نمونه ها - و سطح پوشش معمولی ، اعتبار این ساده روش را می توان به صورت تحلیلی نشان داد.پرونده در انگیزه به دست می آید کاربرد تجربی (د کوئیت ، هاوشوفر ، و راث ، 2018) ، که در آن بهبود روشهای استنتاج موجود نشان داده شده است.به طور کلی، شبیه سازی ها نشان می دهد که فاصله اعتماد به نفس رمان دارای طول عالی است و کنترل اندازهاین تا حدودی به این دلیل است که در انتظار خالی بودن هرگز ، در مناطق مربوطه می توان فاصله را کوتاهتر از مناطق معمولی کرد فضای نمونه.

We propose a test for a covariance matrix to have Kronecker Product Structure (KPS). KPS implies a reduced rank restriction on a certain transformation of the covariance matrix and the new procedure is an adaptation of the Kleibergen and Paap (2006) reduced rank test. To derive the limiting distribution of the Wald type test statistic proves challenging partly because of the singularity of the covariance matrix estimator that appears in the weighting matrix. We show that the test statistic has a chi square limiting null distribution with degrees of freedom equal to the number of restrictions tested. Local asymptotic power results are derived. Monte Carlo simulations reveal good size and power properties of the test. Re-examining fifteen highly cited papers conducting instrumental variable regressions, we find that KPS is not rejected in 56 out of 118 specifications at the 5% nominal size.

ما یک آزمایش برای یک ماتریس کواریانس برای ساخت ساختار محصول Kronecker پیشنهاد می کنیم (KPS).KPS حاکی از محدودیت رتبه کاهش یافته در تحول خاص از ماتریس کواریانس و روش جدید اقتباسی از کلبرگن است و PAAP (2006) آزمون رتبه را کاهش داد.برای به دست آوردن توزیع محدود کننده آمار آزمون والد نوع تا حدی به دلیل تکینگی به چالش کشیده می شود از برآوردگر ماتریس کواریانس که در ماتریس وزنه برداری ظاهر می شود.ما نشان می دهد که آمار آزمون دارای یک مربع Chi محدود است که توزیع تهی را با آن محدود می کند درجه آزادی برابر با تعداد محدودیت های آزمایش شده.بدون علامت موضعی نتایج قدرت حاصل می شود.شبیه سازی مونت کارلو اندازه و قدرت خوبی را نشان می دهد خواص آزمون.بررسی مجدد پانزده مقاله بسیار استناد شده رگرسیون متغیر متغیر ، ما می دانیم که KPS در 56 خارج رد نمی شود از 118 مشخصات در اندازه 5 ٪ اسمی.

Estimation and inference in dynamic discrete choice models often relies on approximation to lower the computational burden of dynamic programming. Unfortunately, the use of approximation can impart substantial bias in estimation and results in invalid confidence sets. We present a method for set estimation and inference that explicitly accounts for the use of approximation and is thus valid regardless of the approximation error. We show how one can account for the error from approximation at low computational cost. Our methodology allows researchers to assess the estimation error due to the use of approximation and thus more effectively manage the trade-off between bias and computational expedience. We provide simulation evidence to demonstrate the practicality of our approach.

تخمین و استنباط در مدلهای انتخاب گسسته پویا اغلب به آنها متکی است تقریب برای کاهش بار محاسباتی برنامه نویسی پویا. متأسفانه ، استفاده از تقریب می تواند تعصب قابل توجهی در آن ایجاد کند تخمین و نتایج در مجموعه اعتماد به نفس نامعتبر.ما روشی را برای تنظیم ارائه می دهیم تخمین و استنباط که صریحاً استفاده از تقریب را به خود اختصاص می دهد و بنابراین بدون در نظر گرفتن خطای تقریب معتبر است.ما نشان می دهیم که چگونه می توان برای خطا از تقریب با هزینه محاسباتی پایین حساب کنید.ما روش شناسی به محققان این امکان را می دهد تا خطای تخمین را به دلیل استفاده از آن ارزیابی کنند تقریب و بنابراین به طور موثرتری تجارت بین تعصب و مصلحت محاسباتی.ما شواهد شبیه سازی را برای نشان دادن ارائه می دهیم عملی بودن رویکرد ما.

This paper considers forecasts of the growth and inflation distributions of the United Kingdom with factor-augmented quantile autoregressions under a model averaging framework. We investigate model combinations across models using weights that minimise the Akaike Information Criterion (AIC), the Bayesian Information Criterion (BIC), the Quantile Regression Information Criterion (QRIC) as well as the leave-one-out cross validation criterion. The unobserved factors are estimated by principal components of a large panel with N predictors over T periods under a recursive estimation scheme. We apply the aforementioned methods to the UK GDP growth and CPI inflation rate. We find that, on average, for GDP growth, in terms of coverage and final prediction error, the equal weights or the weights obtained by the AIC and BIC perform equally well but are outperformed by the QRIC and the Jackknife approach on the majority of the quantiles of interest. In contrast, the naive QAR(1) model of inflation outperforms all model averaging methodologies.

در این مقاله پیش بینی های رشد و توزیع تورم از انگلستان با اتورهای مقداری فاکتور با ضریب زیر مدل تحت یک مدل میانگین چارچوبما ترکیب های مدل را در بین مدل ها با استفاده از آنها بررسی می کنیم وزنه هایی که معیار اطلاعات Akaike (AIC) را به حداقل می رساند ، بیزی معیار اطلاعات (BIC) ، معیار اطلاعات رگرسیون کمی (qric) و همچنین معیار اعتبار سنجی متقابل مرخصی.بی نظیر عوامل توسط مؤلفه های اصلی یک صفحه بزرگ با n برآورد می شوند پیش بینی کنندگان در دوره T تحت یک طرح تخمین بازگشتی.ما اعمال می کنیم روشهای فوق الذکر به رشد تولید ناخالص داخلی انگلستان و نرخ تورم CPI.ما پیدا می کنیم که به طور متوسط ، برای رشد تولید ناخالص داخلی ، از نظر پوشش و پیش بینی نهایی خطا ، وزن مساوی یا وزنهای به دست آمده توسط AIC و BIC به همان اندازه خوب اما از رویکرد qric و jackknife در مورد بهتر عمل می کند اکثریت مورد علاقه.در مقابل ، مدل QAR ساده (1) از تورم از تمام روشهای میانگین مدل بهتر است.

We provide estimation methods for nonseparable panel models based on low-rank factor structure approximations. The factor structures are estimated by matrix-completion methods to deal with the computational challenges of principal component analysis in the presence of missing data. We show that the resulting estimators are consistent in large panels, but suffer from approximation and shrinkage biases. We correct these biases using matching and difference-in-differences approaches. Numerical examples and an empirical application to the effect of election day registration on voter turnout in the U.S. illustrate the properties and usefulness of our methods.

ما روشهای تخمین را برای مدلهای پانل غیر قابل جدا شدن بر اساس رتبه پایین ارائه می دهیم تقریب ساختار عاملی.ساختار عاملی توسط تخمین زده می شود روشهای تکمیل ماتریس برای مقابله با چالش های محاسباتی تجزیه و تحلیل مؤلفه اصلی در حضور داده های گمشده.ما نشان می دهیم که برآوردگرهای حاصل در پانل های بزرگ سازگار هستند ، اما از آن رنج می برند تعصب تقریبی و انقباض.ما این تعصبات را با استفاده از تطبیق اصلاح می کنیم و تفاوت در اختلافات.نمونه های عددی و تجربی درخواست برای تأثیر ثبت نام روز انتخابات در مشارکت رای دهندگان در ایالات متحده خصوصیات و سودمندی روشهای ما را نشان می دهد.

We introduce two models of non-parametric random utility for demand systems: the stochastic absolute risk aversion (SARA) model, and the stochastic safety-first (SSF) model. In each model, individual-level heterogeneity is characterized by a distribution $\pi\in\Pi$ of taste parameters, and heterogeneity across consumers is introduced using a distribution $F$ over the distributions in $\Pi$. Demand is non-separable and heterogeneity is infinite-dimensional. Both models admit corner solutions. We consider two frameworks for estimation: a Bayesian framework in which $F$ is known, and a hyperparametric (or empirical Bayesian) framework in which $F$ is a member of a known parametric family. Our methods are illustrated by an application to a large U.S. panel of scanner data on alcohol consumption.

ما دو مدل از ابزار تصادفی غیر پارامتری برای سیستم های تقاضا را معرفی می کنیم: مدل گریز ریسک مطلق تصادفی (SARA) و تصادفی مدل ایمنی اول (SSF).در هر مدل ، ناهمگونی در سطح فردی است مشخص می شود با توزیع $ \ pi \ در \ pi $ پارامترهای طعم ، و ناهمگونی در بین مصرف کنندگان با استفاده از توزیع $ f $ بیش از توزیع در $ \ pi $.تقاضا غیر قابل تفکیک است و ناهمگونی است بی نهایت بعدی.هر دو مدل راه حل های گوشه ای را قبول می کنند.ما دو را در نظر می گیریم چارچوب های تخمین: یک چارچوب بیزی که در آن $ f $ شناخته شده است ، و یک چارچوب هایپرپارامتری (یا تجربی بیزی) که در آن $ f $ عضو یک است خانواده پارامتری شناخته شده.روشهای ما توسط یک برنامه به a نشان داده شده است پانل بزرگ ایالات متحده از داده های اسکنر در مورد مصرف الکل.

Suppose a researcher observes individuals within a county within a state. Given concerns about correlation across individuals, it is common to group observations into clusters and conduct inference treating observations across clusters as roughly independent. However, a researcher that has chosen to cluster at the county level may be unsure of their decision, given knowledge that observations are independent across states. This paper proposes a modified randomization test as a robustness check for the chosen level of clustering in a linear regression setting. Existing tests require either the number of states or number of counties to be large. Our method is designed for settings with few states and few counties. While the method is conservative, it has competitive power in settings that may be relevant to empirical work.

فرض کنید یک محقق افراد درون یک ایالت را در یک ایالت مشاهده می کند. با توجه به نگرانی در مورد همبستگی در افراد ، برای گروه بندی معمول است مشاهدات در خوشه ها و انجام استنباط از معالجه مشاهدات در سراسر خوشه ها تقریباً مستقل هستند.با این حال ، محقق که انتخاب کرده است با توجه به دانش ، خوشه در سطح شهرستان ممکن است از تصمیم خود مطمئن نباشد این مشاهدات در ایالت ها مستقل است.در این مقاله اصلاح شده پیشنهاد شده است آزمون تصادفی سازی به عنوان یک بررسی استحکام برای سطح انتخاب شده خوشه بندی در تنظیم رگرسیون خطی.تست های موجود به تعداد ایالت ها نیاز دارند یا تعداد شهرستانها بزرگ هستند.روش ما برای تنظیمات با تعداد کمی طراحی شده است ایالت ها و چند شهرستان.در حالی که این روش محافظه کارانه است ، اما رقابتی دارد قدرت در تنظیماتی که ممکن است مربوط به کارهای تجربی باشد.

The e-commerce delivery demand has grown rapidly in the past two decades and such trend has accelerated tremendously due to the ongoing coronavirus pandemic. Given the situation, the need for predicting e-commerce delivery demand and evaluating relevant logistics solutions is increasing. However, the existing simulation models for e-commerce delivery demand are still limited and do not consider the delivery options and their attributes that shoppers face on e-commerce order placements. We propose a novel modeling framework which jointly predicts the average total value of e-commerce purchase, the purchase amount per transaction, and delivery option choices. The proposed framework can simulate the changes in e-commerce delivery demand attributable to the changes in delivery options. We assume the model parameters based on various sources of relevant information and conduct a demonstrative sensitivity analysis. Furthermore, we have applied the model to the simulation for the Auto-Innovative Prototype city. While the calibration of the model using real-world survey data is required, the result of the analysis highlights the applicability of the proposed framework.

تقاضای تحویل تجارت الکترونیکی در دو دهه گذشته به سرعت رشد کرده است و چنین روندی به دلیل کرونوویروس در حال انجام به طرز چشمگیری تسریع شده است پاندمی.با توجه به اوضاع ، نیاز به پیش بینی تحویل تجارت الکترونیکی تقاضا و ارزیابی راه حل های تدارکات مربوطه در حال افزایش است.با این حال مدل های شبیه سازی موجود برای تقاضای تحویل تجارت الکترونیکی هنوز محدود هستند و گزینه های تحویل و ویژگی های آنها را که خریداران با آن روبرو هستند در نظر نگیرید مکان های سفارش تجارت الکترونیکی.ما یک چارچوب مدل سازی جدید را پیشنهاد می کنیم که به طور مشترک میانگین ارزش کل خرید تجارت الکترونیکی ، خرید را پیش بینی می کند مبلغ برای هر معامله و گزینه های تحویل.چارچوب پیشنهادی می تواند تغییرات در تقاضای تحویل تجارت الکترونیکی را که به تغییرات مربوط می شود شبیه سازی کنید در گزینه های تحویلما پارامترهای مدل را بر اساس منابع مختلف فرض می کنیم اطلاعات مربوطه و یک تجزیه و تحلیل حساسیت نمایشی را انجام می دهد. علاوه بر این ، ما مدل را برای شبیه سازی برای شهر نمونه اولیه خودکار.در حالی که کالیبراسیون مدل با استفاده از داده های نظرسنجی در دنیای واقعی مورد نیاز است ، نتیجه تجزیه و تحلیل برجسته است کاربرد چارچوب پیشنهادی.

This paper presents an empirical study of spatial origin and destination effects of European regional FDI dyads. Recent regional studies primarily focus on locational determinants, but ignore bilateral origin- and intervening factors, as well as associated spatial dependence. This paper fills this gap by using observations on interregional FDI flows within a spatially augmented Poisson interaction model. We explicitly distinguish FDI activities between three different stages of the value chain. Our results provide important insights on drivers of regional FDI activities, both from origin and destination perspectives. We moreover show that spatial dependence plays a key role in both dimensions.

در این مقاله یک مطالعه تجربی از منشأ مکانی و مقصد ارائه شده است تأثیر رنگهای FDI منطقه ای اروپا.مطالعات منطقه ای اخیر در درجه اول تمرکز دارد در تعیین کننده های محلی ، اما منشأ دو طرفه و مداخله را نادیده بگیرید عوامل و همچنین وابستگی مکانی مرتبط.این مقاله این شکاف را پر می کند با استفاده از مشاهدات در مورد جریان FDI بین منطقه ای در یک افزایش مکانی مدل تعامل پواسون.ما به صراحت فعالیت های FDI را بین متمایز می کنیم سه مرحله مختلف از زنجیره ارزش.نتایج ما مهم است بینش در مورد محرک های فعالیت های منطقه ای FDI ، چه از مبدأ و چه دیدگاه های مقصدعلاوه بر این ، ما نشان می دهیم که وابستگی مکانی یک کلید را بازی می کند نقش در هر دو بعد.

This paper studies the identification and estimation of policy effects when treatment status is binary and endogenous. We introduce a new class of unconditional marginal treatment effects (MTE) based on the influence function of the functional underlying the policy target. We show that an unconditional policy effect can be represented as a weighted average of the newly defined unconditional MTEs over the individuals who are indifferent about their treatment status. We provide conditions for point identification of the unconditional policy effects. When a quantile is the functional of interest, we introduce the UNconditional Instrumental Quantile Estimator (UNIQUE) and establish its consistency and asymptotic distribution. In the empirical application, we estimate the effect of changing college enrollment status, induced by higher tuition subsidy, on the quantiles of the wage distribution.

در این مقاله به بررسی شناسایی و تخمین اثرات سیاست در زمان وضعیت درمان باینری و درون زا است.ما یک کلاس جدید از اثرات درمانی حاشیه ای بدون قید و شرط (MTE) بر اساس عملکرد تأثیر از کارکردی اساسی هدف سیاست.ما نشان می دهیم که بی قید و شرط اثر سیاست را می توان به عنوان میانگین وزنی از تازه تعریف شده نشان داد MTE های بی قید و شرط نسبت به افرادی که نسبت به آنها بی تفاوت هستند وضعیت درمانی.ما شرایطی را برای شناسایی نقطه از اثرات سیاست بی قید و شرط.وقتی یک مقدار کمی کاربردی باشد ، ما برآوردگر کمیت ابزاری بی قید و شرط (منحصر به فرد) و قوام و توزیع بدون علامت خود را تعیین کنید.در تجربی برنامه ، ما تأثیر تغییر وضعیت ثبت نام کالج را تخمین می زنیم ، ناشی از یارانه شهریه بالاتر ، بر روی مقدار توزیع دستمزد.

Restricting randomization in the design of experiments (e.g., using blocking/stratification, pair-wise matching, or rerandomization) can improve the treatment-control balance on important covariates and therefore improve the estimation of the treatment effect, particularly for small- and medium-sized experiments. Existing guidance on how to identify these variables and implement the restrictions is incomplete and conflicting. We identify that differences are mainly due to the fact that what is important in the pre-treatment data may not translate to the post-treatment data. We highlight settings where there is sufficient data to provide clear guidance and outline improved methods to mostly automate the process using modern machine learning (ML) techniques. We show in simulations using real-world data, that these methods reduce both the mean squared error of the estimate (14%-34%) and the size of the standard error (6%-16%).

محدود کردن تصادفی در طراحی آزمایشات (به عنوان مثال ، استفاده مسدود کردن/طبقه بندی ، تطبیق زوج یا rerandomization) می تواند بهبود یابد تعادل کنترل درمان در متغیرهای مهم و در نتیجه بهبود تخمین اثر درمانی ، به ویژه برای اندازه های کوچک و متوسط آزمایش.راهنمایی های موجود در مورد چگونگی شناسایی این متغیرها و اجرای محدودیت ها ناقص و متناقض است.ما این تفاوت ها را شناسایی می کنیم عمدتا به این دلیل است که ممکن است آنچه در داده های قبل از درمان مهم است به داده های پس از درمان ترجمه نمی شود.ما تنظیماتی را که در آنجا وجود دارد برجسته می کنیم داده های کافی برای ارائه راهنمایی های واضح و روشهای بهبود یافته به روشهای بهبود یافته بیشتر فرایند را با استفاده از تکنیک های مدرن یادگیری ماشین (ML) خودکار کنید.ما در شبیه سازی ها با استفاده از داده های دنیای واقعی نشان دهید که این روش ها هر دو را کاهش می دهند میانگین خطای مربع تخمین (14 ٪ -34 ٪) و اندازه خطای استاندارد (6 ٪ -16 ٪).

We study testable implications of multiple equilibria in discrete games with incomplete information. Unlike de Paula and Tang (2012), we allow the players' private signals to be correlated. In static games, we leverage independence of private types across games whose equilibrium selection is correlated. In dynamic games with serially correlated discrete unobserved heterogeneity, our testable implication builds on the fact that the distribution of a sequence of choices and states are mixtures over equilibria and unobserved heterogeneity. The number of mixture components is a known function of the length of the sequence as well as the cardinality of equilibria and unobserved heterogeneity support. In both static and dynamic cases, these testable implications are implementable using existing statistical tools.

ما پیامدهای قابل آزمایش تعادل چندگانه را در بازی های گسسته با آنها مطالعه می کنیم اطلاعات ناقصبرخلاف د پائولا و تانگ (2012) ، ما به بازیکنان اجازه می دهیم سیگنال های خصوصی برای همبستگی.در بازی های استاتیک ، ما از استقلال استفاده می کنیم انواع خصوصی در بازی هایی که انتخاب تعادل آنها در ارتباط است.که در بازی های پویا با ناهمگونی بی نظیر سریال همبسته ، ما پیامدهای قابل آزمایش بر این واقعیت است که توزیع یک توالی از گزینه ها و حالت ها مخلوط هایی بیش از تعادل و ناهمگونی بی نظیر هستند. تعداد اجزای مخلوط یک تابع شناخته شده از طول طول است دنباله و همچنین کاردینال بودن تعادل و ناهمگونی بدون نظارت حمایت کردن.در هر دو مورد استاتیک و پویا ، این پیامدهای قابل آزمایش هستند قابل اجرا با استفاده از ابزارهای آماری موجود.

The COVID-19 pandemic has caused severe disruption to economic and financial activity worldwide. We assess what happened to the aggregate U.S. stock market during this period, including implications for both short and long-horizon investors. Using the model of Maheu, McCurdy and Song (2012), we provide smoothed estimates and out-of-sample forecasts associated with stock market dynamics during the pandemic. We identify bull and bear market regimes including their bull correction and bear rally components, demonstrate the model's performance in capturing periods of significant regime change, and provide forecasts that improve risk management and investment decisions. The paper concludes with out-of-sample forecasts of market states one year ahead.

همه گیر Covid-19 باعث اختلال شدید در اقتصادی و مالی شده است فعالیت در سراسر جهان.ما ارزیابی می کنیم که چه اتفاقی برای بازار سهام ایالات متحده افتاده است در این دوره ، از جمله پیامدهای مربوط به افکار کوتاه و طولانی سرمایه گذاران.با استفاده از مدل Maheu ، McCurdy و Song (2012) ، ما ارائه می دهیم تخمین های صاف و پیش بینی های خارج از نمونه مرتبط با بازار سهام پویایی در طول همه گیر.ما رژیم های بازار گاو و خرس را شناسایی می کنیم از جمله تصحیح گاو و اجزای تجمع خرس آنها ، نشان می دهد عملکرد مدل در ضبط دوره های تغییر قابل توجه رژیم ، و پیش بینی هایی را ارائه دهید که مدیریت ریسک و تصمیمات سرمایه گذاری را بهبود می بخشد.در مقاله با پیش بینی های خارج از نمونه از کشورهای بازار یک سال پیش نتیجه می گیرد.

The properties of Maximum Likelihood estimator in mixed causal and noncausal models with a generalized Student's t error process are reviewed. Several known existing methods are typically not applicable in the heavy-tailed framework. To this end, a new approach to make inference on causal and noncausal parameters in finite sample sizes is proposed. It exploits the empirical variance of the generalized Student's-t, without the existence of population variance. Monte Carlo simulations show a good performance of the new variance construction for fat tail series. Finally, different existing approaches are compared using three empirical applications: the variation of daily COVID-19 deaths in Belgium, the monthly wheat prices, and the monthly inflation rate in Brazil.

خواص برآوردگر حداکثر احتمال در علیت و غیر علت مدل هایی با روند خطای T دانشجویی تعمیم یافته بررسی می شوند.چند شناخته شده روشهای موجود به طور معمول در چارچوب دم سنگین کاربردی نیست.به این منظور ، یک رویکرد جدید برای استنباط در پارامترهای علی و غیرعادی است در اندازه نمونه محدود پیشنهاد شده است.از واریانس تجربی این سوء استفاده می کند دانشجویی تعمیم یافته ، بدون وجود واریانس جمعیت.مونت شبیه سازی های کارلو عملکرد خوبی از ساخت واریانس جدید را نشان می دهد سری دم چربی.سرانجام ، رویکردهای مختلف موجود با استفاده مقایسه می شوند سه کاربرد تجربی: تغییر مرگ و میر روزانه Covid-19 در بلژیک ، قیمت گندم ماهانه و نرخ تورم ماهانه در برزیل.

A fundamental question underlying the literature on partial identification is: what can we learn about parameters that are relevant for policy but not necessarily point-identified by the exogenous variation we observe? This paper provides an answer in terms of sharp, analytic characterizations and bounds for an important class of policy-relevant treatment effects, consisting of marginal treatment effects and linear functionals thereof, in the latent index selection model as formalized in Vytlacil (2002). The sharp bounds use the full content of identified marginal distributions, and analytic derivations rely on the theory of stochastic orders. The proposed methods also make it possible to sharply incorporate new auxiliary assumptions on distributions into the latent index selection framework. Empirically, I apply the methods to study the effects of Medicaid on emergency room utilization in the Oregon Health Insurance Experiment, showing that the predictions from extrapolations based on a distribution assumption (rank similarity) differ substantively and consistently from existing extrapolations based on a parametric mean assumption (linearity). This underscores the value of utilizing the model's full empirical content in combination with auxiliary assumptions.

یک سوال اساسی که در زمینه ادبیات در مورد شناسایی جزئی است IS: آنچه می توانیم در مورد پارامترهایی که برای سیاست مرتبط هستند بیاموزیم اما نه لزوماً با تنوع اگزوژن که مشاهده می کنیم ، نقطه مشخص می شود؟این کاغذ پاسخی را از نظر توصیفات تیز ، تحلیلی و مرز برای طبقه مهمی از اثرات درمانی مرتبط با سیاست ، متشکل از حاشیه اثرات درمانی و عملکردهای خطی آن ، در انتخاب شاخص نهفته مدل به عنوان رسمی در Vytlacil (2002).مرزهای تیز از محتوای کامل استفاده می کنند توزیع های حاشیه ای شناسایی شده ، و مشتقات تحلیلی به نظریه سفارشات تصادفی.روشهای پیشنهادی نیز امکان پذیر است به شدت فرضیات کمکی جدید را در مورد توزیع در نهان گنجانید چارچوب انتخاب فهرست.از نظر تجربی ، من روشهای مطالعه را اعمال می کنم تأثیر Medicaid در استفاده از اتاق اورژانس در سلامت اورگان آزمایش بیمه ، نشان می دهد که پیش بینی های برون یابی بر اساس یک فرض توزیع (شباهت رتبه) به طور اساسی متفاوت است و به طور مداوم از برون یابی های موجود بر اساس یک فرض میانگین پارامتری (خطی بودن).این امر بر ارزش استفاده از تجربی کامل مدل تأکید می کند محتوا در ترکیب با فرضیات کمکی.

This paper shows that modelling comovement in the asymmetry of the predictive distributions of GDP growth and a timely related series improves nowcasting uncertainty when it matters most : in times of severe economic downturn. Rather than using many predictors to nowcast GDP, I show that it is possible to extract more information than we currently do from series closely related to economic growth such as employment data. The proposed methodology relies on score driven techniques and provides an alternative approach for nowcasting besides dynamic factor models and MIDAS regression where dynamic asymmetry (or skewness) parameters have not yet been explored.

این مقاله نشان می دهد که مدل سازی در عدم تقارن پیش بینی توزیع رشد تولید ناخالص داخلی و یک سری مرتبط به موقع بهبود می یابد عدم اطمینان بیشتر از همه مهم است: در مواقع رکود شدید اقتصادی.نسبتا از استفاده از بسیاری از پیش بینی کننده ها برای تولید ناخالص داخلی Nowcast ، من نشان می دهم که امکان پذیر است اطلاعات بیشتری را از آنچه در حال حاضر از سریال انجام می دهیم از نزدیک با آنها استخراج کنید رشد اقتصادی مانند داده های اشتغال.روش پیشنهادی متکی است تکنیک های محور نمره و یک رویکرد جایگزین برای Nowcasting ارائه می دهد علاوه بر مدلهای فاکتور پویا و رگرسیون MIDAS که در آن عدم تقارن پویا (یا پارامترها هنوز مورد بررسی قرار نگرفته است.

We propose a novel class of multivariate GARCH models that utilize realized measures of volatilities and correlations. The central component is an unconstrained vector parametrization of the correlation matrix that facilitates modeling of the correlation structure. The parametrization is based on the matrix logarithmic transformation that retains the positive definiteness as an innate property. A factor approach offers a way to impose a parsimonious structure in high dimensional system and we show that a factor framework arises naturally in some existing models. We apply the model to returns of nine assets and employ the factor structure that emerges from a block correlation specification. An auxiliary empirical finding is that the empirical distribution of parametrized realized correlations is approximately Gaussian. This observation is analogous to the well-known result for logarithmically transformed realized variances.

ما یک کلاس جدید از مدل های چند متغیره Garch پیشنهاد می کنیم که از تحقق یافته استفاده می کنند اقدامات نوسانات و همبستگی ها.مؤلفه اصلی یک است پارامتر بردار بدون محدودیت ماتریس همبستگی که تسهیل می شود مدل سازی ساختار همبستگی.پارامتر سازی بر اساس تحول لگاریتمی ماتریس که تعریف مثبت را به عنوان یک حفظ می کند دارایی ذاتی.یک رویکرد عاملی راهی برای تحمیل یک پارسای ارائه می دهد ساختار در سیستم ابعادی بالا و ما نشان می دهیم که یک چارچوب عاملی بوجود می آید به طور طبیعی در برخی از مدل های موجود.ما مدل را برای بازده نه دارایی اعمال می کنیم و از ساختار عاملی که از یک همبستگی بلوک ناشی می شود استفاده کنید مشخصات.یک یافته تجربی کمکی که تجربی است توزیع همبستگی تحقق یافته پارامتری تقریباً گاوسی است. این مشاهدات مشابه با نتیجه شناخته شده برای لگاریتمی است واریانس تحقق یافته تبدیل شده است.

In this paper, we investigate binary response models for heterogeneous panel data with interactive fixed effects by allowing both the cross-sectional dimension and the temporal dimension to diverge. From a practical point of view, the proposed framework can be applied to predict the probability of corporate failure, conduct credit rating analysis, etc. Theoretically and methodologically, we establish a link between a maximum likelihood estimation and a least squares approach, provide a simple information criterion to detect the number of factors, and achieve the asymptotic distributions accordingly. In addition, we conduct intensive simulations to examine the theoretical findings. In the empirical study, we focus on the sign prediction of stock returns, and then use the results of sign forecast to conduct portfolio analysis.

در این مقاله ، ما مدل های پاسخ باینری را برای پانل ناهمگن بررسی می کنیم داده ها با اثرات ثابت تعاملی با اجازه هر دو سطح مقطع بعد و بعد زمانی برای واگرایی.از یک نقطه عملی مشاهده ، چارچوب پیشنهادی را می توان برای پیش بینی احتمال استفاده کرد عدم موفقیت شرکت ، انجام تحلیل رتبه بندی اعتباری و غیره. از نظر تئوری و از نظر روش شناختی ، ما بین تخمین حداکثر احتمال پیوندی برقرار می کنیم و یک رویکرد حداقل مربعات ، یک معیار اطلاعاتی ساده برای تشخیص ارائه دهید تعداد فاکتورها و بر این اساس به توزیع های بدون علامت می رسند.که در علاوه بر این ، ما شبیه سازی های فشرده را برای بررسی یافته های نظری انجام می دهیم. در مطالعه تجربی ، ما بر پیش بینی نشانه بازده سهام و سپس از نتایج پیش بینی علامت برای انجام تجزیه و تحلیل نمونه کارها استفاده کنید.

Regression trees and random forests are popular and effective non-parametric estimators in practical applications. A recent paper by Athey and Wager shows that the random forest estimate at any point is asymptotically Gaussian; in this paper, we extend this result to the multivariate case and show that the vector of estimates at multiple points is jointly normal. Specifically, the covariance matrix of the limiting normal distribution is diagonal, so that the estimates at any two points are independent in sufficiently deep trees. Moreover, the off-diagonal term is bounded by quantities capturing how likely two points belong to the same partition of the resulting tree. Our results relies on certain a certain stability property when constructing splits, and we give examples of splitting rules for which this assumption is and is not satisfied. We test our proposed covariance bound and the associated coverage rates of confidence intervals in numerical simulations.

درختان رگرسیون و جنگل های تصادفی غیر پارامتری محبوب و مؤثر هستند برآوردگرها در برنامه های عملی.مقاله اخیر توسط Athey و Wager نشان می دهد اینکه برآورد جنگل تصادفی در هر نقطه ای به صورت مجانبی گاوسی است.که در در این مقاله ، این نتیجه را به پرونده چند متغیره گسترش می دهیم و نشان می دهیم که بردار برآوردها در چندین نقطه به طور مشترک طبیعی است.به طور خاص ، ماتریس کواریانس از توزیع عادی محدود ، مورب است ، به طوری که تخمین ها در هر دو نقطه در درختان به اندازه کافی عمیق مستقل هستند. علاوه بر این ، اصطلاح غیرقانونی با مقادیر ضبط شده محدود می شود دو نقطه متعلق به همان پارتیشن درخت حاصل است.نتایج ما هنگام ساخت شکاف ، به خاصیت ثبات خاصی متکی است ، و ما نمونه هایی از قوانین تقسیم که این فرض برای آن وجود ندارد و نیست راضی.ما کواریانس پیشنهادی خود را محدود می کنیم و پوشش مرتبط با آن نرخ فاصله اطمینان در شبیه سازی های عددی.

How to allocate vaccines over heterogeneous individuals is one of the important policy decisions in pandemic times. This paper develops a procedure to estimate an individualized vaccine allocation policy under limited supply, exploiting social network data containing individual demographic characteristics and health status. We model spillover effects of the vaccines based on a Heterogeneous-Interacted-SIR network model and estimate an individualized vaccine allocation policy by maximizing an estimated social welfare (public health) criterion incorporating the spillovers. While this optimization problem is generally an NP-hard integer optimization problem, we show that the SIR structure leads to a submodular objective function, and provide a computationally attractive greedy algorithm for approximating a solution that has theoretical performance guarantee. Moreover, we characterise a finite sample welfare regret bound and examine how its uniform convergence rate depends on the complexity and riskiness of social network. In the simulation, we illustrate the importance of considering spillovers by comparing our method with targeting without network information.

نحوه تخصیص واکسن در افراد ناهمگن یکی از این موارد است تصمیمات مهم سیاست در زمان همه گیر.این مقاله روشی را تهیه می کند برای برآورد یک سیاست تخصیص واکسن فردی تحت عرضه محدود ، بهره برداری از داده های شبکه اجتماعی حاوی جمعیت شناختی فردی خصوصیات و وضعیت سلامت.ما اثرات سرریز واکسن ها را مدل می کنیم بر اساس یک مدل شبکه ناهمگن-متقابل-SIR و تخمین سیاست تخصیص واکسن فردی با حداکثر رساندن یک تخمین اجتماعی معیار رفاه (بهداشت عمومی) شامل سرریزها.در حالی که این مشکل بهینه سازی به طور کلی یک مشکل بهینه سازی عدد صحیح NP است ، ما نشان می دهد که ساختار SIR منجر به یک عملکرد هدف فرعی می شود ، و یک الگوریتم حریص محاسباتی جذاب برای تقریب a راه حل که ضمانت عملکرد نظری دارد.علاوه بر این ، ما توصیف می کنیم یک نمونه محدود بهزیستی از آن پشیمان می شود و چگونه همگرایی یکنواخت آن را بررسی می کند نرخ به پیچیدگی و خطر شبکه اجتماعی بستگی دارد.در شبیه سازی ، ما اهمیت در نظر گرفتن سرریزها را با مقایسه نشان می دهیم روش ما با هدف قرار دادن بدون اطلاعات شبکه.

The forecast combination puzzle is often found in literature: The equal-weight scheme tends to outperform sophisticated methods of combining individual forecasts. Exploiting this finding, we propose a hedge egalitarian committees algorithm (HECA), which can be implemented via mixed integer quadratic programming. Specifically, egalitarian committees are formed by the ridge regression with shrinkage toward equal weights; subsequently, the forecasts provided by these committees are averaged by the hedge algorithm. We establish the no-regret property of HECA. Using data collected from the ECB Survey of Professional Forecasters, we find the superiority of HECA relative to the equal-weight scheme during the COVID-19 recession.

پازل ترکیبی پیش بینی اغلب در ادبیات یافت می شود: طرح با وزن برابر تمایل دارد از روشهای پیشرفته ترکیب بهتر عمل کند پیش بینی های فردیبا سوءاستفاده از این یافته ، ما یک مساوات پرچین را پیشنهاد می کنیم الگوریتم کمیته (HECA) ، که می تواند از طریق عدد صحیح مختلط اجرا شود برنامه نویسی درجه دوم.به طور خاص ، کمیته های مساوات توسط رگرسیون خط الراس با کوچک شدن به سمت وزنهای برابر ؛متعاقباً ، پیش بینی های ارائه شده توسط این کمیته ها به طور متوسط توسط الگوریتم پرچین انجام می شود.ما خاصیت No-Regret HECA را تعیین کنید.با استفاده از داده های جمع آوری شده از ECB بررسی پیش بینی کنندگان حرفه ای ، ما برتری HECA را نسبت به طرح وزن برابر در رکود اقتصادی COVID-19.

The conditional logit model is a standard workhorse approach to estimating customers' product feature preferences using choice data. Using these models at scale, however, can result in numerical imprecision and optimization failure due to a combination of large-valued covariates and the softmax probability function. Standard machine learning approaches alleviate these concerns by applying a normalization scheme to the matrix of covariates, scaling all values to sit within some interval (such as the unit simplex). While this type of normalization is innocuous when using models for prediction, it has the side effect of perturbing the estimated coefficients, which are necessary for researchers interested in inference. This paper shows that, for two common classes of normalizers, designated scaling and centered scaling, the data-generating non-scaled model parameters can be analytically recovered along with their asymptotic distributions. The paper also shows the numerical performance of the analytical results using an example of a scaling normalizer.

مدل ورود شرطی یک رویکرد استاندارد اسب کار برای برآورد است ترجیحات ویژگی های محصول مشتریان با استفاده از داده های انتخاب.با استفاده از این مدلها در مقیاس ، با این حال ، می تواند منجر به عدم دقت عددی و بهینه سازی شود به دلیل ترکیبی از متغیرهای بزرگ و احتمال softmax تابع.رویکردهای یادگیری ماشین استاندارد این نگرانی ها را توسط استفاده از یک طرح عادی سازی در ماتریس متغیرهای متغیر ، مقیاس بندی همه مقادیر برای نشستن در برخی از بازه ها (مانند واحد Simplex).در حالی که این نوع عادی سازی هنگام استفاده از مدل ها برای پیش بینی معصوم است ، آن را دارد تأثیر مزاحمت ضرایب تخمین زده شده ، که برای آن لازم است محققان علاقه مند به استنباط.این مقاله نشان می دهد که ، برای دو مشترک کلاسهای عادی کننده ، مقیاس بندی تعیین شده و مقیاس گذاری محور ، پارامترهای مدل غیر مقیاس داده تولید شده می توانند در امتداد تحلیلی بازیابی شوند با توزیع بدون علامت آنها.مقاله همچنین عددی را نشان می دهد عملکرد نتایج تحلیلی با استفاده از نمونه ای از نرمال کننده مقیاس پذیر.

In this paper, we assess whether using non-linear dimension reduction techniques pays off for forecasting inflation in real-time. Several recent methods from the machine learning literature are adopted to map a large dimensional dataset into a lower dimensional set of latent factors. We model the relationship between inflation and the latent factors using constant and time-varying parameter (TVP) regressions with shrinkage priors. Our models are then used to forecast monthly US inflation in real-time. The results suggest that sophisticated dimension reduction methods yield inflation forecasts that are highly competitive to linear approaches based on principal components. Among the techniques considered, the Autoencoder and squared principal components yield factors that have high predictive power for one-month- and one-quarter-ahead inflation. Zooming into model performance over time reveals that controlling for non-linear relations in the data is of particular importance during recessionary episodes of the business cycle or the current COVID-19 pandemic.

در این مقاله ، ما ارزیابی می کنیم که آیا از کاهش ابعاد غیر خطی استفاده می کنیم تکنیک ها برای پیش بینی تورم در زمان واقعی پرداخت می کنند.چندین اخیر روشهای ادبیات یادگیری ماشین برای نقشه برداری بزرگ اتخاذ شده است مجموعه داده ابعادی به یک مجموعه ابعادی پایین تر از فاکتورهای نهفته.ما مدل می کنیم رابطه بین تورم و عوامل نهفته با استفاده از ثابت و رگرسیون پارامتر متغیر زمان (TVP) با مقدمات کوچک شدن.مدل های ما هستند سپس برای پیش بینی تورم ماهانه ایالات متحده در زمان واقعی استفاده می شد.نتایج نشان می دهد این روشهای کاهش ابعاد پیشرفته پیش بینی تورم را به همراه دارد بر اساس اجزای اصلی با رویکردهای خطی بسیار رقابتی هستند. از جمله تکنیک های در نظر گرفته شده ، Autoencoder و Squared اصلی مؤلفه ها عواملی دارند که قدرت پیش بینی بالایی برای یک ماهه دارند و تورم یک چهارم.بزرگنمایی به عملکرد مدل به مرور زمان نشان می دهد کنترل روابط غیرخطی در داده ها خاص است اهمیت در طول قسمت های رکود اقتصادی چرخه تجارت یا جریان فعلی پاندمی کووید 19.

It is challenging to elucidate the effects of changes in external influences (such as economic or policy) on the rate of US drug approvals. Here, a novel approach, termed the Chronological Hurst Exponent (CHE), is proposed, which hypothesizes that changes in the long-range memory latent within the dynamics of time series data may be temporally associated with changes in such influences. Using the monthly number the FDA Center for Drug Evaluation and Research (CDER) approvals from 1939 to 2019 as the data source, it is demonstrated that the CHE has a distinct S-shaped structure demarcated by an 8-year (1939-1947) Stagnation Period, a 27-year (1947-1974) Emergent (time-varying Period, and a 45-year (1974-2019) Saturation Period. Further, dominant periodicities (resolved via wavelet analyses) are identified during the most recent 45-year CHE Saturation Period at 17, 8 and 4 years; thus, US drug approvals have been following a Juglar-Kuznet mid-term cycle with Kitchin-like bursts. As discussed, this work suggests that (1) changes in extrinsic factors (e.g., of economic and/or policy origin ) during the Emergent Period may have led to persistent growth in US drug approvals enjoyed since 1974, (2) the CHE may be a valued method to explore influences on time series data, and (3) innovation-related economic cycles exist (as viewed via the proxy metric of US drug approvals).

روشن کردن اثرات تغییرات در تأثیرات خارجی چالش برانگیز است (مانند اقتصادی یا سیاست) در مورد میزان مصوبات مواد مخدر ایالات متحده.در اینجا ، یک رمان رویکرد ، نامیده شده به عنوان زمانی Hurst (CHE) ، پیشنهاد شده است که فرض می کند که تغییرات در حافظه دوربرد نهفته در دینامیک داده های سری زمانی ممکن است به طور موقت با تغییرات در چنین مواردی همراه باشد تأثیراتبا استفاده از شماره ماهانه مرکز FDA برای ارزیابی دارو و مصوبات تحقیق (CDER) از سال 1939 تا 2019 به عنوان منبع داده ، این است نشان داد که CHE دارای یک ساختار S شکل مشخص است که توسط یک مشخص شده است 8 سال (1939-1947) دوره رکود ، یک 27 سال (1974-1947) ظهور (دوره متغیر زمان و 45 سال (1974-2019) دوره اشباع. بیشتر ، دوره های غالب (برطرف شده از طریق تجزیه و تحلیل موجک) در طول شناسایی می شوند جدیدترین دوره 45 ساله اشباع CHE در 17 ، 8 و 4 سال ؛بنابراین ، ما مصوبات مواد مخدر پیروی از چرخه میان دوره ای Juglar-Kuznet با پشت سر هم Kitchin.همانطور که بحث شد ، این کار نشان می دهد که (1) تغییر در عوامل بیرونی (به عنوان مثال ، منشأ اقتصادی و/یا سیاست) در طول ظهور دوره ممکن است منجر به رشد مداوم در مصوبات مواد مخدر ایالات متحده شود که از آن زمان 1974 ، (2) CHE ممکن است یک روش ارزشمند برای کشف تأثیرات در سریال های زمانی باشد داده ها ، و (3) چرخه اقتصادی مرتبط با نوآوری وجود دارد (همانطور که از طریق پروکسی مشاهده می شود متریک مصوبات دارویی ایالات متحده).

We study two-way-fixed-effects regressions (TWFE) with several treatment variables. Under a parallel trends assumption, we show that the coefficient on each treatment identifies a weighted sum of that treatment's effect, with possibly negative weights, plus a weighted sum of the effects of the other treatments. Thus, those estimators are not robust to heterogeneous effects and may be contaminated by other treatments' effects. We further show that omitting a treatment from the regression can actually reduce the estimator's bias, unlike what would happen under constant treatment effects. We propose an alternative difference-in-differences estimator, robust to heterogeneous effects and immune to the contamination problem. In the application we consider, the TWFE regression identifies a highly non-convex combination of effects, with large contamination weights, and one of its coefficients significantly differs from our heterogeneity-robust estimator.

ما رگرسیون عوارض دو طرفه (TWFE) را با چندین درمان مطالعه می کنیم متغیرهابا فرض روند موازی ، ما نشان می دهیم که ضریب روشن است هر درمان ، یک مقدار وزنی از اثر درمان را با آن مشخص می کند. احتمالاً وزنهای منفی ، به علاوه مقدار وزنی از اثرات دیگری درمانهابنابراین ، این برآوردگرها نسبت به اثرات ناهمگن قوی نیستند و ممکن است توسط اثرات سایر درمانها آلوده شود.ما بیشتر نشان می دهیم که حذف درمان از رگرسیون در واقع می تواند تعصب برآوردگر را کاهش دهد ، بر خلاف آنچه که تحت اثرات درمانی مداوم اتفاق می افتد.ما پیشنهاد می کنیم برآوردگر تفاوت در تمایز ، قوی به ناهمگن اثرات و مصون از مشکل آلودگی.در برنامه ما در نظر بگیرید ، رگرسیون TWFE ترکیبی بسیار غیر متناوب را مشخص می کند اثرات ، با وزن های بزرگ آلودگی و یکی از ضرایب آن به طور قابل توجهی با برآوردگر ناهمگونی ما متفاوت است.

Through time series analysis, this paper empirically explores, confirms and extends the trademark/patent inter-relationship as proposed in the normative intellectual-property (IP)-oriented Innovation Agenda view of the science and technology (S&T) firm. Beyond simple correlation, it is shown that trademark-filing (Trademarks) and patent-application counts (Patents) have similar (if not, identical) structural attributes (including similar distribution characteristics and seasonal variation, cross-wavelet synchronicity/coherency (short-term cross-periodicity) and structural breaks) and are cointegrated (integration order of 1) over a period of approximately 40 years (given the monthly observations). The existence of cointegration strongly suggests a "long-run" equilibrium between the two indices; that is, there is (are) exogenous force(s) restraining the two indices from diverging from one another. Structural breakpoints in the chrono-dynamics of the indices supports the existence of potentially similar exogeneous forces(s), as the break dates are simultaneous/near-simultaneous (Trademarks: 1987, 1993, 1999, 2005, 2011; Patents: 1988, 1994, 2000, and 2011). A discussion of potential triggers (affecting both time series) causing these breaks, and the concept of equilibrium in the context of these proxy measures are presented. The cointegration order and structural co-movements resemble other macro-economic variables, stoking the opportunity of using econometrics approaches to further analyze these data. As a corollary, this work further supports the inclusion of trademark analysis in innovation studies. Lastly, the data and corresponding analysis tools (R program) are presented as Supplementary Materials for reproducibility and convenience to conduct future work for interested readers.

از طریق تجزیه و تحلیل سری زمانی ، این مقاله به صورت تجربی بررسی می شود ، تأیید می کند و ارتباط متقابل علامت تجاری/ثبت اختراع را همانطور که در هنجاری پیشنهاد شده است گسترش می دهد برنامه نوآوری با محوریت و پیشرفت فکری (IP) از علم و شرکت فناوری (S&T).فراتر از همبستگی ساده ، نشان داده شده است که شمارش علائم تجاری (علائم تجاری) و تعداد برنامه های ثبت اختراع (ثبت اختراعات) ویژگی های ساختاری مشابه (اگر نه ، یکسان) (از جمله مشابه ویژگی های توزیع و تنوع فصلی ، موجک متقابل همگام سازی/انسجام (دوره کوتاه مدت متقاطع) و استراحت ساختاری) و در طی یک دوره تقریباً 40 با هم ادغام می شوند (ترتیب ادغام 1) سالها (با توجه به مشاهدات ماهانه).وجود ادغام به شدت تعادل "بلند مدت" بین دو شاخص را پیشنهاد می کند.یعنی وجود دارد (Are) نیروی (های) اگزوژن که دو شاخص را از واگرایی از یکی مهار می کند یکی دیگر.نقاط شکست ساختاری در chrono-dynamics از شاخص ها پشتیبانی می کند وجود نیروهای (های) برون یورویی بالقوه مشابه ، به عنوان تاریخ شکست همزمان/نزدیک به همزمان هستند (علائم تجاری: 1987 ، 1993 ، 1999 ، 2005 ، 2011 ؛ ثبت اختراعات: 1988 ، 1994 ، 2000 و 2011).بحث در مورد محرک های بالقوه (بر هر دو سری زمانی تأثیر می گذارد) باعث ایجاد این وقفه ها و مفهوم آن می شود تعادل در زمینه این اقدامات پروکسی ارائه شده است.در نظم ادغام و همبستگی های ساختاری شبیه سایر کلان اقتصادی است متغیرها ، فرصتی برای استفاده از رویکردهای اقتصاد سنجی برای بیشتر این داده ها را تجزیه و تحلیل کنید.به عنوان یک نتیجه ، این کار بیشتر از گنجاندن پشتیبانی می کند تجزیه و تحلیل علائم تجاری در مطالعات نوآوری.در آخر ، داده ها و مربوطه ابزارهای تجزیه و تحلیل (برنامه R) به عنوان مواد تکمیلی برای تکرارپذیری و راحتی برای انجام کارهای آینده برای خوانندگان علاقه مند.

We study the problem of choosing optimal policy rules in uncertain environments using models that may be incomplete and/or partially identified. We consider a policymaker who wishes to choose a policy to maximize a particular counterfactual quantity called a policy transform. We characterize learnability of a set of policy options by the existence of a decision rule that closely approximates the maximin optimal value of the policy transform with high probability. Sufficient conditions are provided for the existence of such a rule. However, learnability of an optimal policy is an ex-ante notion (i.e. before observing a sample), and so ex-post (i.e. after observing a sample) theoretical guarantees for certain policy rules are also provided. Our entire approach is applicable when the distribution of unobservables is not parametrically specified, although we discuss how semiparametric restrictions can be used. Finally, we show possible applications of the procedure to a simultaneous discrete choice example and a program evaluation example.

ما مشکل انتخاب قوانین بهینه سیاست را در نامشخص مطالعه می کنیم محیط هایی با استفاده از مدل هایی که ممکن است ناقص و یا جزئی شناسایی شوند. ما یک سیاستگذار را در نظر می گیریم که مایل به انتخاب سیاستی برای به حداکثر رساندن a است مقدار ضد خلاف خاص به نام تبدیل سیاست.ما توصیف می کنیم یادگیری مجموعه ای از گزینه های سیاست با وجود یک قانون تصمیم گیری که از نزدیک مقدار بهینه حداکثر تحول در سیاست را تقریب می دهد با احتمال زیادشرایط کافی برای وجود فراهم شده است چنین قانونیبا این حال ، یادگیری یک سیاست بهینه یک مفهوم سابق نیست (یعنی قبل از مشاهده یک نمونه) ، و بنابراین پست سابق (یعنی بعد از مشاهده a نمونه) ضمانت های نظری برای برخی از قوانین سیاست نیز ارائه شده است.ما رویکرد کامل هنگامی که توزیع UNOBSELVABLS قابل اجرا باشد قابل اجرا است به طور پارامتری مشخص شده است ، اگرچه ما در مورد چگونگی محدودیت های نیمهرامتری بحث می کنیم می تواند به کار رود.سرانجام ، ما برنامه های احتمالی روش را به a نشان می دهیم مثال انتخاب همزمان گسسته و مثال ارزیابی برنامه.

We use a dynamic panel Tobit model with heteroskedasticity to generate forecasts for a large cross-section of short time series of censored observations. Our fully Bayesian approach allows us to flexibly estimate the cross-sectional distribution of heterogeneous coefficients and then implicitly use this distribution as prior to construct Bayes forecasts for the individual time series. In addition to density forecasts, we construct set forecasts that explicitly target the average coverage probability for the cross-section. We present a novel application in which we forecast bank-level loan charge-off rates for small banks.

ما برای تولید از یک مدل پانل پویا با ناهمگونی استفاده می کنیم پیش بینی برای یک مقطع بزرگ از سری زمانی کوتاه سانسور مشاهداترویکرد کاملاً بیزی ما به ما امکان می دهد تا انعطاف پذیر تخمین بزنیم توزیع مقطعی ضرایب ناهمگن و سپس به طور ضمنی از این توزیع مانند قبل از ساخت پیش بینی های بیز برای فرد استفاده کنید سری زمانی.علاوه بر پیش بینی های چگالی ، ما پیش بینی هایی را ایجاد می کنیم که صریحاً احتمال متوسط پوشش برای مقطع را هدف قرار دهید.ما یک برنامه جدید ارائه دهید که در آن ما پیش بینی وام در سطح بانک را پیش بینی می کنیم نرخ برای بانک های کوچک.

New binary classification tests are often evaluated relative to a pre-established test. For example, rapid Antigen tests for the detection of SARS-CoV-2 are assessed relative to more established PCR tests. In this paper, I argue that the new test can be described as producing ambiguous information when the pre-established is imperfect. This allows for a phenomenon called dilation -- an extreme form of non-informativeness. As an example, I present hypothetical test data satisfying the WHO's minimum quality requirement for rapid Antigen tests which leads to dilation. The ambiguity in the information arises from a missing data problem due to imperfection of the established test: the joint distribution of true infection and test results is not observed. Using results from Copula theory, I construct the (usually non-singleton) set of all these possible joint distributions, which allows me to assess the new test's informativeness. This analysis leads to a simple sufficient condition to make sure that a new test is not a dilation. I illustrate my approach with applications to data from three COVID-19 related tests. Two rapid Antigen tests satisfy my sufficient condition easily and are therefore informative. However, less accurate procedures, like chest CT scans, may exhibit dilation.

تست های طبقه بندی باینری جدید اغلب نسبت به a ارزیابی می شوند تست از پیش تعیین شده.به عنوان مثال ، آزمایشات سریع آنتی ژن برای تشخیص SARS-COV-2 نسبت به تست های PCR تأسیس شده ارزیابی می شود.در این صفحه، من استدلال می کنم که آزمایش جدید می تواند به عنوان تولید اطلاعات مبهم توصیف شود هنگامی که از پیش تعیین شده ناقص است.این اجازه می دهد تا پدیده ای به نام اتساع-یک شکل شدید از عدم آگاهی.به عنوان نمونه ، من ارائه می دهم داده های آزمون فرضی رضایت از حداقل کیفیت WHO را برای آزمایشات سریع آنتی ژن که منجر به اتساع می شود.ابهام در اطلاعات ناشی از مشکل داده های مفقود شده به دلیل نقص آزمون تعیین شده: توزیع مشترک عفونت و نتایج آزمایش واقعی مشاهده نمی شود. با استفاده از نتایج حاصل از تئوری کوپلا ، من مجموعه (معمولاً غیر Singleton) را می سازم از بین همه این توزیع های مشترک ممکن ، که به من امکان ارزیابی جدید را می دهد اطلاع رسانی آزمون.این تجزیه و تحلیل منجر به یک شرط کافی ساده می شود اطمینان حاصل کنید که یک آزمایش جدید اتساع نیست.من رویکرد خود را با برنامه های مربوط به داده ها از سه آزمایش مرتبط با COVID-19.دو آزمایش سریع آنتی ژن وضعیت کافی من را به راحتی برآورده کنید و بنابراین آموزنده هستند.با این حال، روشهای کمتر دقیق ، مانند اسکن CT قفسه سینه ، ممکن است اتساع را نشان دهد.

This paper derives a new powerful test for mediation that is easy to use. Testing for mediation is empirically very important in psychology, sociology, medicine, economics and business, generating over 100,000 citations to a single key paper. The no-mediation hypothesis $H_{0}:\theta_{1}\theta _{2}=0$ also poses a theoretically interesting statistical problem since it defines a manifold that is non-regular in the origin where rejection probabilities of standard tests are extremely low. We prove that a similar test for mediation only exists if the size is the reciprocal of an integer. It is unique, but has objectionable properties. We propose a new test that is nearly similar with power close to the envelope without these abject properties and is easy to use in practice. Construction uses the general varying $g$-method that we propose. We illustrate the results in an educational setting with gender role beliefs and in a trade union sentiment application.

در این مقاله یک آزمایش قدرتمند جدید برای میانجیگری انجام شده است که استفاده از آن آسان است. آزمایش برای میانجیگری از نظر تجربی در روانشناسی ، جامعه شناسی بسیار مهم است ، پزشکی ، اقتصاد و تجارت ، تولید بیش از 100000 استناد به یک واحد مقاله کلیدیفرضیه بدون مددیش یک مشکل آماری از لحاظ نظری جالب از آنجا که تعریف می کند منیفولد که در مبدأ غیر منظم است که در آن احتمالات رد تست های استاندارد بسیار کم است.ما ثابت می کنیم که یک آزمایش مشابه برای میانجیگری فقط در صورتی که اندازه متقابل یک عدد صحیح باشد وجود دارد.بی نظیر است ، اما دارد خصوصیات قابل اعتراض.ما یک آزمایش جدید را پیشنهاد می کنیم که تقریباً مشابه آن باشد قدرت نزدیک به پاکت بدون این خصوصیات آبشار و استفاده آسان است در عملساخت و ساز از متغیر عمومی $ g $-method که ما پیشنهاد می کنیم استفاده می کند. ما نتایج را در یک مکان آموزشی با اعتقادات نقش جنسیتی نشان می دهیم و در یک برنامه احساسات اتحادیه کارگری.

In many set identified models, it is difficult to obtain a tractable characterization of the identified set. Therefore, empirical works often construct confidence region based on an outer set of the identified set. Because an outer set is always a superset of the identified set, this practice is often viewed as conservative yet valid. However, this paper shows that, when the model is refuted by the data, a nonempty outer set could deliver conflicting results with another outer set derived from the same underlying model structure, so that the results of outer sets could be misleading in the presence of misspecification. We provide a sufficient condition for the existence of discordant outer sets which covers models characterized by intersection bounds and the Artstein (1983) inequalities. We also derive sufficient conditions for the non-existence of discordant submodels, therefore providing a class of models for which constructing outer sets cannot lead to misleading interpretations. In the case of discordancy, we follow Masten and Poirier (2021) by developing a method to salvage misspecified models, but unlike them we focus on discrete relaxations. We consider all minimum relaxations of a refuted model which restores data-consistency. We find that the union of the identified sets of these minimum relaxations is robust to detectable misspecifications and has an intuitive empirical interpretation.

در بسیاری از مدل های شناسایی شده ، دستیابی به یک تراکتور دشوار است خصوصیات مجموعه مشخص شده.بنابراین ، اغلب آثار تجربی منطقه اعتماد به نفس را بر اساس مجموعه ای بیرونی از مجموعه مشخص شده ایجاد کنید. از آنجا که یک مجموعه بیرونی همیشه یک سوپراست از مجموعه مشخص شده است ، این عمل اغلب به عنوان محافظه کار و در عین حال معتبر تلقی می شود.با این حال ، این مقاله نشان می دهد که ، چه زمانی این مدل توسط داده ها رد می شود ، یک مجموعه بیرونی غیر خالی می تواند ارائه دهد نتایج متناقض با مجموعه بیرونی دیگری که از همان زیربنایی گرفته شده است ساختار مدل ، به طوری که نتایج مجموعه های بیرونی می تواند گمراه کننده باشد حضور غلط غلط.ما شرایط کافی را برای وجود مجموعه های بیرونی متناقض که مدل های مشخص شده توسط مرزهای تقاطع و نابرابری های آرتشتاین (1983).ما نیز مشتق می شویم بنابراین شرایط کافی برای عدم وجود زیرمجموعه های متناقض ، بنابراین ارائه یک کلاس از مدل هایی که ساخت مجموعه های بیرونی نمی توانند به آن منجر شوند تفسیرهای گمراه کننده.در مورد اختلاف نظر ، ما Masten و Poirier (2021) با تهیه روشی برای نجات مدل های غلط املایی ، اما بر خلاف آنها ما روی آرامش های گسسته تمرکز می کنیم.ما حداقل را در نظر می گیریم آرامش یک مدل رد شده که باعث ترمیم داده می شود.ما این را پیدا می کنیم اتحاد مجموعه های مشخص شده از این حداقل آرامش ها قوی است املاء قابل تشخیص و تفسیر تجربی بصری دارد.

We study linear quantile regression models when regressors and/or dependent variable are not directly observed but estimated in an initial first step and used in the second step quantile regression for estimating the quantile parameters. This general class of generated quantile regression (GQR) covers various statistical applications, for instance, estimation of endogenous quantile regression models and triangular structural equation models, and some new relevant applications are discussed. We study the asymptotic distribution of the two-step estimator, which is challenging because of the presence of generated covariates and/or dependent variable in the non-smooth quantile regression estimator. We employ techniques from empirical process theory to find uniform Bahadur expansion for the two step estimator, which is used to establish the asymptotic results. We illustrate the performance of the GQR estimator through simulations and an empirical application based on auctions.

ما مدلهای رگرسیون کمی خطی را هنگام رگرسیون و/یا وابسته مطالعه می کنیم متغیر به طور مستقیم مشاهده نمی شود اما در مرحله اول اولیه تخمین زده می شود و در مرحله دوم رگرسیون کمی برای برآورد کمی استفاده می شود مولفه های.این کلاس کلی از رگرسیون کمی تولید شده (GQR) پوشش می دهد به عنوان مثال ، کاربردهای مختلف آماری ، تخمین درون زا مدل های رگرسیون کمی و مدلهای معادله ساختاری مثلثی ، و برخی برنامه های جدید مربوطه مورد بحث قرار می گیرد.ما توزیع بدون علامت را مطالعه می کنیم از برآوردگر دو مرحله ای ، که به دلیل وجود حضور چالش برانگیز است متغیرهای متغیر و/یا متغیر وابسته در کمیت غیر صاف برآوردگر رگرسیون.ما از تکنیک های تئوری فرآیند تجربی تا استفاده می کنیم گسترش یکنواخت بهادور را برای برآوردگر دو مرحله پیدا کنید ، که از آن استفاده می شود نتایج بدون علامت را تعیین کنید.ما عملکرد GQR را نشان می دهیم برآوردگر از طریق شبیه سازی و یک برنامه تجربی مبتنی بر حراج ها.

Randomized experiments have become a standard tool in economics. In analyzing randomized experiments, the traditional approach has been based on the Stable Unit Treatment Value (SUTVA: \cite{rubin}) assumption which dictates that there is no interference between individuals. However, the SUTVA assumption fails to hold in many applications due to social interaction, general equilibrium, and/or externality effects. While much progress has been made in relaxing the SUTVA assumption, most of this literature has only considered a setting with perfect compliance to treatment assignment. In practice, however, noncompliance occurs frequently where the actual treatment receipt is different from the assignment to the treatment. In this paper, we study causal effects in randomized experiments with network interference and noncompliance. Spillovers are allowed to occur at both treatment choice stage and outcome realization stage. In particular, we explicitly model treatment choices of agents as a binary game of incomplete information where resulting equilibrium treatment choice probabilities affect outcomes of interest. Outcomes are further characterized by a random coefficient model to allow for general unobserved heterogeneity in the causal effects. After defining our causal parameters of interest, we propose a simple control function estimator and derive its asymptotic properties under large-network asymptotics. We apply our methods to the randomized subsidy program of \cite{dupas} where we find evidence of spillover effects on both short-run and long-run adoption of insecticide-treated bed nets. Finally, we illustrate the usefulness of our methods by analyzing the impact of counterfactual subsidy policies.

آزمایش های تصادفی به ابزاری استاندارد در اقتصاد تبدیل شده است.در تجزیه و تحلیل آزمایش های تصادفی ، رویکرد سنتی مبتنی بر پایدار بوده است مقدار درمان واحد (Sutva: \ cite {Rubin}) فرضیه ای که در آنجا دیکته می کند هیچ دخالتی بین افراد نیست.با این حال ، فرض Sutva نتوانسته است به دلیل تعامل اجتماعی ، تعادل عمومی ، بسیاری از برنامه ها را نگه دارید ، و/یا اثرات خارجی.در حالی که پیشرفت زیادی در آرامش حاصل شده است فرض سوتا ، بیشتر این ادبیات فقط یک تنظیم را در نظر گرفته است انطباق کامل با تکالیف درمانی.با این حال ، در عمل ، عدم رعایت غالباً در جایی اتفاق می افتد که رسید درمان واقعی با تکلیف به درمان.در این مقاله ، ما اثرات علی را در مطالعه می کنیم آزمایشات تصادفی با تداخل شبکه و عدم انطباق.سرریز مجاز است در هر دو مرحله انتخاب درمان و تحقق نتیجه رخ دهد صحنه.به طور خاص ، ما صریحاً از انتخابهای درمانی عوامل به عنوان یک مدل استفاده می کنیم بازی باینری از اطلاعات ناقص در نتیجه درمان تعادل احتمالات انتخاب بر نتایج مورد علاقه تأثیر می گذارد.نتایج بیشتر است با یک مدل ضریب تصادفی مشخص می شود تا امکان پذیر نیست ناهمگونی در اثرات علی.پس از تعریف پارامترهای علی ما علاقه ، ما یک برآوردگر عملکرد کنترل ساده را پیشنهاد می کنیم و آن را استخراج می کنیم خصوصیات بدون علامت تحت مجانب شبکه بزرگ.ما روشهای خود را به اعمال می کنیم برنامه یارانه تصادفی \ cite {dupas} که در آن شواهدی از آن پیدا می کنیم تأثیرات سرریز در هر دو اتخاذ کوتاه مدت و طولانی مدت شبکه های تختخواب تحت درمان با حشره کش.سرانجام ، ما سودمندی خود را نشان می دهیم روشها با تجزیه و تحلیل تأثیر سیاستهای یارانه ضد عملی.

Many panel data sets used for pseudo-poisson estimation of three-way gravity models are implicitly unbalanced because uninformative observations are redundant for the estimation. We show with real data as well as simulations that this phenomenon, which we call latent unbalancedness, amplifies the inference problem recently studied by Weidner and Zylkin (2021).

بسیاری از مجموعه داده های پانل مورد استفاده برای برآورد شبه پیزون از گرانش سه طرفه مدل ها به طور ضمنی نامتوازن هستند زیرا مشاهدات ناآگاهانه هستند برای تخمین زائد.ما با داده های واقعی و همچنین شبیه سازی ها نشان می دهیم که این پدیده ، که ما آن را نامتوازن نهفته می نامیم ، تقویت می کند مشکل استنباط اخیراً توسط ویدنر و زیلکین (2021) مورد مطالعه قرار گرفته است.

This paper is devoted to testing for the explosive bubble under time-varying non-stationary volatility. Because the limiting distribution of the seminal Phillips et al. (2011) test depends on the variance function and usually requires a bootstrap implementation under heteroskedasticity, we construct the test based on a deformation of the time domain. The proposed test is asymptotically pivotal under the null hypothesis and its limiting distribution coincides with that of the standard test under homoskedasticity, so that the test does not require computationally extensive methods for inference. Appealing finite sample properties are demonstrated through Monte-Carlo simulations. An empirical application demonstrates that the upsurge behavior of cryptocurrency time series in the middle of the sample is partially explained by the volatility change.

این مقاله به آزمایش حباب انفجاری تحت تأثیر زمان اختصاص داده شده است نوسانات غیر ثابت.زیرا توزیع محدود کننده منی فیلیپس و همکاران.(2011) آزمون بستگی به عملکرد واریانس و معمولاً دارد ما نیاز به اجرای بوت استرپ تحت هتروسكاستیسم ، ما ساختیم آزمون بر اساس تغییر شکل دامنه زمان.آزمون پیشنهادی است محوری بدون علامت تحت فرضیه تهی و توزیع محدود آن همزمان با آزمایش استاندارد تحت Homoskedasticity ، به طوری که آزمون نیازی به روشهای گسترده محاسباتی برای استنباط ندارد. خواص نمونه محدود جذاب از طریق مونت کارلو نشان داده شده است شبیه سازییک برنامه تجربی نشان می دهد که رفتار صعود از سری زمانی cryptocurrency در وسط نمونه تا حدی توضیح داده شده است با تغییر نوسانات.

This paper examines the impact of climate shocks on 13 European economies analysing jointly business and financial cycles, in different phases and disentangling the effects for different sector channels. A Bayesian Panel Markov-switching framework is proposed to jointly estimate the impact of extreme weather events on the economies as well as the interaction between business and financial cycles. Results from the empirical analysis suggest that extreme weather events impact asymmetrically across the different phases of the economy and heterogeneously across the EU countries. Moreover, we highlight how the manufacturing output, a component of the industrial production index, constitutes the main channel through which climate shocks impact the EU economies.

در این مقاله به بررسی تأثیر شوک های آب و هوایی بر 13 اقتصاد اروپا می پردازیم تجزیه و تحلیل چرخه های مشترک تجاری و مالی ، در مراحل مختلف و تفکیک اثرات کانال های بخش مختلف.یک پنل بیزی چارچوب سوئیچینگ مارکوف برای تخمین مشترک تأثیر ارائه شده است حوادث شدید آب و هوایی در اقتصاد و همچنین تعامل بین چرخه های تجاری و مالی.نتایج حاصل از تحلیل تجربی نشان می دهد که حوادث شدید آب و هوا به صورت نامتقارن در مراحل مختلف اقتصاد و ناهمگن در سراسر کشورهای اتحادیه اروپا.علاوه بر این ، ما چگونه برجسته می کنیم خروجی تولید ، مؤلفه ای از شاخص تولید صنعتی ، کانال اصلی را تشکیل می دهد که از طریق آن شوک های آب و هوایی بر اتحادیه اروپا تأثیر می گذارد اقتصاد

In this study, we consider a pairwise network formation model in which each dyad of agents strategically determines the link status between them. Our model allows the agents to have unobserved group heterogeneity in the propensity of link formation. For the model estimation, we propose a three-step maximum likelihood (ML) method. First, we obtain consistent estimates for the heterogeneity parameters at individual level using the ML estimator. Second, we estimate the latent group structure using the binary segmentation algorithm based on the results obtained from the first step. Finally, based on the estimated group membership, we re-execute the ML estimation. Under certain regularity conditions, we show that the proposed estimator is asymptotically unbiased and distributed as normal at the parametric rate. As an empirical illustration, we focus on the network data of international visa-free travels. The results indicate the presence of significant strategic complementarity and a certain level of degree heterogeneity in the network formation behavior.

در این مطالعه ، ما یک مدل شکل گیری شبکه زوج را در نظر می گیریم که در آن Dyad of Agents از لحاظ استراتژیک وضعیت پیوند بین آنها را تعیین می کند.مدل ما به مأمورین اجازه می دهد تا ناهمگونی گروهی را در گرایش داشته باشند تشکیل پیوند.برای برآورد مدل ، ما حداکثر سه مرحله ای را پیشنهاد می کنیم روش احتمال (ML).اول ، ما تخمین های مداوم برای پارامترهای ناهمگونی در سطح فردی با استفاده از برآوردگر ML.دوم ، ما ساختار گروه نهان را با استفاده از الگوریتم تقسیم بندی باینری تخمین بزنید بر اساس نتایج به دست آمده از مرحله اول.سرانجام ، بر اساس برآورد عضویت در گروه ، ما تخمین ML را دوباره کشف می کنیم.تحت الشعاع شرایط منظم ، ما نشان می دهیم که برآوردگر پیشنهادی بدون علامت است بی طرفانه و به صورت عادی با سرعت پارامتری توزیع می شود.به عنوان یک تجربی تصویر ، ما بر روی داده های شبکه سفرهای بین المللی بدون ویزا تمرکز می کنیم. نتایج حاکی از وجود مکمل استراتژیک قابل توجه و سطح مشخصی از ناهمگونی درجه در رفتار شکل گیری شبکه.

In many empirical studies of a large two-sided matching market (such as in a college admissions problem), the researcher performs statistical inference under the assumption that they observe a random sample from a large matching market. In this paper, we consider a setting in which the researcher observes either all or a nontrivial fraction of outcomes from a stable matching. We establish a concentration inequality for empirical matching probabilities assuming strong correlation among the colleges' preferences while allowing students' preferences to be fully heterogeneous. Our concentration inequality yields laws of large numbers for the empirical matching probabilities and other statistics commonly used in empirical analyses of a large matching market. To illustrate the usefulness of our concentration inequality, we prove consistency for estimators of conditional matching probabilities and measures of positive assortative matching.

در بسیاری از مطالعات تجربی در مورد یک بازار بزرگ تطبیق دو طرفه (مانند در مشکل پذیرش کالج) ، محقق استنباط آماری را انجام می دهد با این فرض که آنها یک نمونه تصادفی را از یک تطبیق بزرگ مشاهده می کنند بازار.در این مقاله ، تنظیماتی را در نظر می گیریم که محقق در آن مشاهده می کند یا همه یا کسری از نتایج حاصل از یک تطبیق پایدار.ما برای احتمالات تطبیق تجربی نابرابری غلظت ایجاد کنید با فرض همبستگی قوی بین ترجیحات دانشکده ها در حالی که اجازه می دهد ترجیحات دانش آموزان کاملاً ناهمگن است.نابرابری غلظت ما برای احتمال تطبیق تجربی و موارد دیگر قوانین تعداد زیادی را به دست می آورد آماری که معمولاً در تجزیه و تحلیل تجربی از یک بازار تطبیق بزرگ استفاده می شود.به سودمندی نابرابری غلظت ما را نشان می دهیم ، ما ثبات را اثبات می کنیم برای برآوردگرهای احتمال تطبیق مشروط و اقدامات مثبت تطبیق متناسب.

We consider situations where a user feeds her attributes to a machine learning method that tries to predict her best option based on a random sample of other users. The predictor is incentive-compatible if the user has no incentive to misreport her covariates. Focusing on the popular Lasso estimation technique, we borrow tools from high-dimensional statistics to characterize sufficient conditions that ensure that Lasso is incentive compatible in large samples. We extend our results to the Conservative Lasso estimator and provide new moment bounds for this generalized weighted version of Lasso. Our results show that incentive compatibility is achieved if the tuning parameter is kept above some threshold. We present simulations that illustrate how this can be done in practice.

ما موقعیت هایی را در نظر می گیریم که کاربر ویژگی های خود را به یک دستگاه تغذیه می کند روش یادگیری که سعی می کند بهترین گزینه خود را بر اساس یک نمونه تصادفی پیش بینی کند از سایر کاربرانپیش بینی کننده در صورت عدم وجود کاربر سازگار است انگیزه ای برای سوءاستفاده از متغیرهای او.با تمرکز بر برآورد محبوب لاسو تکنیک ، ما ابزارهایی را از آمار با ابعاد بالا وام می گیریم تا مشخص شود شرایط کافی که اطمینان حاصل می کند که Lasso به طور گسترده سازگار است نمونه ها.ما نتایج خود را به برآوردگر محافظه کار Lasso گسترش می دهیم و ارائه می دهیم مرزهای لحظه جدید برای این نسخه وزنه برداری عمومی Lasso.نتایج ما نشان می دهد که در صورت نگه داشتن پارامتر تنظیم ، سازگاری تشویقی حاصل می شود بالاتر از آستانهما شبیه سازی هایی را ارائه می دهیم که نشان می دهد چگونه این می تواند باشد در عمل انجام شده است

This paper considers (partial) identification of a variety of counterfactual parameters in binary response models with possibly endogenous regressors. Our framework allows for nonseparable index functions with multi-dimensional latent variables, and does not require parametric distributional assumptions. We leverage results on hyperplane arrangements and cell enumeration from the literature on computational geometry in order to provide a tractable means of computing the identified set. We demonstrate how various functional form, independence, and monotonicity assumptions can be imposed as constraints in our optimization procedure to tighten the identified set. Finally, we apply our method to study the effects of health insurance on the decision to seek medical treatment.

در این مقاله ، شناسایی (جزئی) انواع مختلفی از خلاف واقع در نظر گرفته شده است پارامترهای در مدل های پاسخ باینری با رگرسیون احتمالاً درون زا.ما چارچوب امکان توابع شاخص غیر قابل تفکیک را با نهفته چند بعدی فراهم می کند متغیرها ، و نیازی به فرضیات توزیع پارامتری ندارند.ما نتایج اهرم در تنظیمات هایپرپلن و شمارش سلولی از ادبیات در مورد هندسه محاسباتی به منظور تهیه وسیله ای قابل ردیابی محاسبه مجموعه مشخص شده.ما نشان می دهیم که چگونه شکل های مختلف عملکردی ، استقلال ، و فرضیات یکنواختی را می توان به عنوان محدودیت در ما تحمیل کرد روش بهینه سازی برای محکم کردن مجموعه مشخص شده.سرانجام ، ما خود را اعمال می کنیم روش مطالعه اثرات بیمه درمانی در تصمیم گیری پزشکی رفتار.

Factor modeling is a powerful statistical technique that permits to capture the common dynamics in a large panel of data with a few latent variables, or factors, thus alleviating the curse of dimensionality. Despite its popularity and widespread use for various applications ranging from genomics to finance, this methodology has predominantly remained linear. This study estimates factors nonlinearly through the kernel method, which allows flexible nonlinearities while still avoiding the curse of dimensionality. We focus on factor-augmented forecasting of a single time series in a high-dimensional setting, known as diffusion index forecasting in macroeconomics literature. Our main contribution is twofold. First, we show that the proposed estimator is consistent and it nests linear PCA estimator as well as some nonlinear estimators introduced in the literature as specific examples. Second, our empirical application to a classical macroeconomic dataset demonstrates that this approach can offer substantial advantages over mainstream methods.

مدل سازی فاکتور یک تکنیک آماری قدرتمند است که امکان ضبط را فراهم می کند دینامیک مشترک در یک صفحه بزرگ از داده ها با چند متغیر نهفته ، یا عوامل ، بنابراین ، نفرین ابعاد را کاهش می دهد.با وجود محبوبیت آن و استفاده گسترده برای برنامه های مختلف اعم از ژنومیک گرفته تا امور مالی ، این روش عمدتاً خطی باقی مانده است.این مطالعه تخمین می زند عوامل غیرخطی از طریق روش هسته ، که امکان پذیر است غیرخطی ها در حالی که هنوز از نفرین ابعاد اجتناب می کنند.ما روی تمرکز می کنیم پیش بینی فاکتور آگوژ از یک سری زمانی واحد در یک بعدی تنظیم ، به عنوان پیش بینی شاخص انتشار در ادبیات اقتصاد کلان شناخته می شود.ما سهم اصلی دو برابر است.اول ، ما نشان می دهیم که برآوردگر پیشنهادی است سازگار و آن را برآوردگر PCA خطی و همچنین برخی غیرخطی لانه می کند برآوردگرهای معرفی شده در ادبیات به عنوان نمونه های خاص.دوم ، ما کاربرد تجربی در یک مجموعه داده کلان اقتصادی کلاسیک نشان می دهد که این رویکرد می تواند مزایای قابل توجهی نسبت به روشهای اصلی ارائه دهد.

In this paper we investigate how the bootstrap can be applied to time series regressions when the volatility of the innovations is random and non-stationary. The volatility of many economic and financial time series displays persistent changes and possible non-stationarity. However, the theory of the bootstrap for such models has focused on deterministic changes of the unconditional variance and little is known about the performance and the validity of the bootstrap when the volatility is driven by a non-stationary stochastic process. This includes near-integrated volatility processes as well as near-integrated GARCH processes. This paper develops conditions for bootstrap validity in time series regressions with non-stationary, stochastic volatility. We show that in such cases the distribution of bootstrap statistics (conditional on the data) is random in the limit. Consequently, the conventional approaches to proving bootstrap validity, involving weak convergence in probability of the bootstrap statistic, fail to deliver the required results. Instead, we use the concept of `weak convergence in distribution' to develop and establish novel conditions for validity of the wild bootstrap, conditional on the volatility process. We apply our results to several testing problems in the presence of non-stationary stochastic volatility, including testing in a location model, testing for structural change and testing for an autoregressive unit root. Sufficient conditions for bootstrap validity include the absence of statistical leverage effects, i.e., correlation between the error process and its future conditional variance. The results are illustrated using Monte Carlo simulations, which indicate that the wild bootstrap leads to size control even in small samples.

در این مقاله ما بررسی می کنیم که چگونه می توان بوت استرپ را برای سری زمانی اعمال کرد رگرسیون هنگامی که نوسانات نوآوری ها تصادفی است و غیر ثابتنوسانات بسیاری از سریال های زمانی اقتصادی و مالی تغییرات مداوم و عدم استقرار احتمالی را نشان می دهد.با این حال ، تئوری از بوت استرپ برای چنین مدلهایی بر تغییرات قطعی و تعیین شده متمرکز شده است واریانس بی قید و شرط و کمی در مورد عملکرد و اعتبار بوت استرپ هنگامی که نوسانات توسط یک غیر ثابت هدایت می شود روند تصادفی.این شامل فرآیندهای نوسانات تقریباً یکپارچه نیز هست به عنوان فرآیندهای تقریباً یکپارچه گارچ.این مقاله شرایطی را ایجاد می کند اعتبار بوت استرپ در رگرسیون سری زمانی با غیر ثابت ، تصادفی نوسان.ما نشان می دهیم که در چنین مواردی توزیع آمار bootstrap (مشروط به داده ها) در حد تصادفی تصادفی است.در نتیجه ، رویکردهای متعارف برای اثبات اعتبار بوت استرپ ، شامل ضعیف همگرایی در احتمال آمار bootstrap ، در ارائه نتایج مورد نیازدرعوض ، ما از مفهوم `همگرایی ضعیف در استفاده می کنیم توزیع "برای توسعه و ایجاد شرایط جدید برای اعتبار بوت استرپ وحشی ، مشروط به فرآیند نوسانات.ما نتایج خود را به اعمال می کنیم چندین مشکل آزمایش در حضور تصادفی غیر ثابت نوسانات ، از جمله آزمایش در یک مدل مکان ، آزمایش ساختاری تغییر و آزمایش برای ریشه واحد خودکار.شرایط کافی برای اعتبار بوت استرپ شامل عدم وجود اثرات اهرم آماری ، یعنی ، همبستگی بین فرآیند خطا و واریانس شرطی آینده آن.در نتایج با استفاده از شبیه سازی مونت کارلو نشان داده شده است ، که نشان می دهد بوت استرپ وحشی حتی در نمونه های کوچک منجر به کنترل اندازه می شود.

In many fields where the main goal is to produce sequential forecasts for decision making problems, the good understanding of the contemporaneous relations among different series is crucial for the estimation of the covariance matrix. In recent years, the modified Cholesky decomposition appeared as a popular approach to covariance matrix estimation. However, its main drawback relies on the imposition of the series ordering structure. In this work, we propose a highly flexible and fast method to deal with the problem of ordering uncertainty in a dynamic fashion with the use of Dynamic Order Probabilities. We apply the proposed method in two different forecasting contexts. The first is a dynamic portfolio allocation problem, where the investor is able to learn the contemporaneous relationships among different currencies improving final decisions and economic performance. The second is a macroeconomic application, where the econometrician can adapt sequentially to new economic environments, switching the contemporaneous relations among macroeconomic variables over time.

در بسیاری از زمینه هایی که هدف اصلی تولید پیش بینی های متوالی برای آن است مشکلات تصمیم گیری ، درک خوب از معاصر روابط بین سری های مختلف برای تخمین ماتریس کواریانس.در سالهای اخیر ، تجزیه چولسکی اصلاح شده به عنوان یک رویکرد محبوب برای برآورد ماتریس کواریانس ظاهر شد.با این حال ، آن اشکال اصلی به تحمیل ساختار سفارش سری متکی است.که در این کار ، ما یک روش بسیار انعطاف پذیر و سریع برای مقابله با مشکل سفارش عدم اطمینان به روشی پویا با استفاده از پویا احتمالات سفارشما روش پیشنهادی را در دو پیش بینی مختلف اعمال می کنیم متناولین مسئله یک مشکل تخصیص نمونه کارها پویا است ، جایی که سرمایه گذار قادر به یادگیری روابط معاصر بین مختلف است ارزهای بهبود تصمیمات نهایی و عملکرد اقتصادی.دوم کاربرد کلان اقتصادی ، جایی که اقتصاد سنج می تواند به طور متوالی با آن سازگار شود محیط های اقتصادی جدید ، تغییر روابط معاصر بین متغیرهای کلان اقتصادی با گذشت زمان.

This study proposes an econometric framework to interpret and empirically decompose the difference between IV and OLS estimates given by a linear regression model when the true causal effects of the treatment are nonlinear in treatment levels and heterogeneous across covariates. I show that the IV-OLS coefficient gap consists of three estimable components: the difference in weights on the covariates, the difference in weights on the treatment levels, and the difference in identified marginal effects that arises from endogeneity bias. Applications of this framework to return-to-schooling estimates demonstrate the empirical relevance of this distinction in properly interpreting the IV-OLS gap.

این مطالعه یک چارچوب اقتصاد سنجی برای تفسیر و تجربی ارائه می دهد تفاوت بین تخمین های IV و OLS داده شده توسط یک خطی را تجزیه کنید مدل رگرسیون هنگامی که اثرات علّی واقعی درمان غیرخطی است سطح درمان و ناهمگن در متغیرهای متغیر.من نشان می دهم که IV-OLS شکاف ضریب شامل سه مؤلفه قابل تخمین است: تفاوت در وزن روی متغیرهای متغیر ، تفاوت در وزن در سطح درمان ، و تفاوت در اثرات حاشیه ای مشخص شده ناشی از درون زا جانبداری.برنامه های این چارچوب برای برآوردهای بازگشت به مدرسه ارتباط تجربی این تمایز را به درستی نشان دهید تفسیر شکاف IV-OLS.

We develop a generally applicable full-information inference method for heterogeneous agent models, combining aggregate time series data and repeated cross sections of micro data. To handle unobserved aggregate state variables that affect cross-sectional distributions, we compute a numerically unbiased estimate of the model-implied likelihood function. Employing the likelihood estimate in a Markov Chain Monte Carlo algorithm, we obtain fully efficient and valid Bayesian inference. Evaluation of the micro part of the likelihood lends itself naturally to parallel computing. Numerical illustrations in models with heterogeneous households or firms demonstrate that the proposed full-information method substantially sharpens inference relative to using only macro data, and for some parameters micro data is essential for identification.

ما یک روش استنباط کاملاً اطلاعاتی را برای آن ایجاد می کنیم مدل های عامل ناهمگن ، ترکیب داده های سری زمانی کل و تکرار مقطع داده های خرد.برای رسیدگی که بر توزیع های مقطعی تأثیر می گذارد ، ما یک عددی بی طرفانه محاسبه می کنیم برآورد عملکرد احتمال مدل.استفاده از احتمال برآورد در یک الگوریتم مونت کارلو زنجیره مارکوف ، ما کاملاً کارآمد و کارآمد به دست می آوریم استنتاج معتبر بیزی.ارزیابی قسمت خرد وام های احتمال خود به طور طبیعی به محاسبات موازی.تصاویر عددی در مدلها با خانوارها یا بنگاههای ناهمگن نشان می دهند که پیشنهادی روش اطلاعات کامل به طور قابل ملاحظه ای استنباط را نسبت به تنها استفاده می کند داده های کلان ، و برای برخی از پارامترها داده های خرد برای شناسایی ضروری است.

UK GDP data is published with a lag time of more than a month and it is often adjusted for prior periods. This paper contemplates breaking away from the historic GDP measure to a more dynamic method using Bank Account, Cheque and Credit Card payment transactions as possible predictors for faster and real time measure of GDP value. Historic timeseries data available from various public domain for various payment types, values, volume and nominal UK GDP was used for this analysis. Low Value Payments was selected for simple Ordinary Least Square Simple Linear Regression with mixed results around explanatory power of the model and reliability measured through residuals distribution and variance. Future research could potentially expand this work using datasets split by period of economic shocks to further test the OLS method or explore one of General Least Square method or an autoregression on GDP timeseries itself.

داده های تولید ناخالص داخلی انگلستان با مدت زمان تاخیر بیش از یک ماه منتشر می شود و اغلب برای دوره های قبلی تنظیم شده است.این مقاله در مورد شکستن از اندازه گیری تولید ناخالص داخلی تاریخی به یک روش پویاتر با استفاده از حساب بانکی ، بررسی و معاملات پرداخت کارت اعتباری به عنوان پیش بینی کننده های ممکن برای سریعتر و واقعی اندازه گیری زمان مقدار تولید ناخالص داخلی.داده های زمانی تاریخی موجود از مختلف دامنه عمومی برای انواع مختلف پرداخت ، ارزش ها ، حجم و تولید ناخالص داخلی اسمی انگلیس بود برای این تجزیه و تحلیل استفاده می شود.پرداختهای با ارزش پایین برای ساده معمولی انتخاب شد حداقل مربع رگرسیون خطی ساده با نتایج مختلط پیرامون توضیحی قدرت مدل و قابلیت اطمینان اندازه گیری شده از طریق توزیع باقیمانده و واریانستحقیقات آینده به طور بالقوه می تواند این کار را با استفاده از مجموعه داده ها گسترش دهد تقسیم بر دوره شوکهای اقتصادی برای آزمایش بیشتر روش OLS یا کاوش یکی از روشهای کمترین مربع یا یک اتور در زمان های تولید ناخالص داخلی خود

This study decomposes the bilateral trade flows using a three-dimensional panel data model. Under the scenario that all three dimensions diverge to infinity, we propose an estimation approach to identify the number of global shocks and country-specific shocks sequentially, and establish the asymptotic theories accordingly. From the practical point of view, being able to separate the pervasive and nonpervasive shocks in a multi-dimensional panel data is crucial for a range of applications, such as, international financial linkages, migration flows, etc. In the numerical studies, we first conduct intensive simulations to examine the theoretical findings, and then use the proposed approach to investigate the international trade flows from two major trading groups (APEC and EU) over 1982-2019, and quantify the network of bilateral trade.

این مطالعه جریان های تجاری دو جانبه را با استفاده از سه بعدی تجزیه می کند مدل داده پانل.تحت سناریویی که هر سه بعد به آن واگرایی می کنند بی نهایت ، ما یک رویکرد تخمین برای شناسایی تعداد جهانی پیشنهاد می کنیم شوک ها و شوک های خاص کشور به طور متوالی و ایجاد بدون علامت بر این اساس نظریه ها.از دیدگاه عملی ، قادر به جدا کردن شوکهای فراگیر و غیر جدی در داده های پانل چند بعدی است برای طیف وسیعی از برنامه ها ، مانند پیوندهای مالی بین المللی ، بسیار مهم است جریان مهاجرت ، و غیره در مطالعات عددی ، ما ابتدا فشرده می کنیم شبیه سازی ها برای بررسی یافته های نظری ، و سپس استفاده از پیشنهادی رویکرد برای بررسی جریان تجارت بین المللی از دو تجارت بزرگ گروه ها (APEC و اتحادیه اروپا) بیش از سالهای 1982-2019 ، و شبکه دو طرفه را تعیین می کنند تجارت

In the international oil trade network (iOTN), trade shocks triggered by extreme events may spread over the entire network along the trade links of the central economies and even lead to the collapse of the whole system. In this study, we focus on the concept of "too central to fail" and use traditional centrality indicators as strategic indicators for simulating attacks on economic nodes, and simulates various situations in which the structure and function of the global oil trade network are lost when the economies suffer extreme trade shocks. The simulation results show that the global oil trade system has become more vulnerable in recent years. The regional aggregation of oil trade is an essential source of iOTN's vulnerability. Maintaining global oil trade stability and security requires a focus on economies with greater influence within the network module of the iOTN. International organizations such as OPEC and OECD established more trade links around the world, but their influence on the iOTN is declining. We improve the framework of oil security and trade risk assessment based on the topological index of iOTN, and provide a reference for finding methods to maintain network robustness and trade stability.

در شبکه بین المللی تجارت نفت (IOTN) ، شوک های تجاری ناشی از رویدادهای شدید ممکن است در کل شبکه در امتداد پیوندهای تجاری گسترش یابد اقتصادهای مرکزی و حتی منجر به فروپاشی کل سیستم می شود.در این مطالعه ، ما بر مفهوم "خیلی مرکزی برای شکست" و استفاده از سنتی تمرکز می کنیم شاخص های مرکزیت به عنوان شاخص های استراتژیک برای شبیه سازی حملات به گره های اقتصادی ، و موقعیت های مختلفی را که در آن ساختار و عملکرد شبکه جهانی تجارت نفت هنگامی که اقتصاد رنج می برد از بین می رود شوک های تجاری شدید.نتایج شبیه سازی نشان می دهد که تجارت جهانی نفت سیستم در سالهای اخیر آسیب پذیرتر شده است.تجمع منطقه ای از تجارت نفت منبع اساسی آسیب پذیری IOTN است.حفظ جهانی ثبات و امنیت تجارت نفت نیاز به تمرکز بر روی اقتصادها با بیشتر دارد تأثیر در ماژول شبکه IOTN.سازمان های بین المللی مانند اوپک و OECD پیوندهای تجاری بیشتری در سراسر جهان برقرار کردند ، اما آنها تأثیر در IOTN رو به کاهش است.ما چارچوب امنیت نفت را بهبود می بخشیم و ارزیابی ریسک تجاری بر اساس شاخص توپولوژیکی IOTN ، و ارائه a مرجع برای یافتن روش هایی برای حفظ استحکام شبکه و تجارت ثبات.

This paper estimates the effects of non-pharmaceutical interventions - mainly, the lockdown - on the COVID-19 mortality rate for the case of Italy, the first Western country to impose a national shelter-in-place order. We use a new estimator, the Augmented Synthetic Control Method (ASCM), that overcomes some limits of the standard Synthetic Control Method (SCM). The results are twofold. From a methodological point of view, the ASCM outperforms the SCM in that the latter cannot select a valid donor set, assigning all the weights to only one country (Spain) while placing zero weights to all the remaining. From an empirical point of view, we find strong evidence of the effectiveness of non-pharmaceutical interventions in avoiding losses of human lives in Italy: conservative estimates indicate that for each human life actually lost, in the absence of lockdown there would have been on average other 1.15, the policy saved in total 20,400 human lives.

در این مقاله تأثیر مداخلات غیر دارویی - به طور عمده ، قفل - در میزان مرگ و میر Covid -19 برای مورد ایتالیا ، اولین کشور غربی که یک دستور ملی پناهگاه در محل را تحمیل کرد.ما از a استفاده می کنیم برآوردگر جدید ، روش کنترل مصنوعی افزوده (ASCM) ، که غلبه می کند برخی از محدودیت های روش کنترل مصنوعی استاندارد (SCM).نتایج هستند دو برابراز دیدگاه روش شناختی ، ASCM از SCM در که دومی نمی تواند یک مجموعه اهدا کننده معتبر را انتخاب کند ، و تمام وزن ها را به آن اختصاص می دهد فقط یک کشور (اسپانیا) در حالی که وزن صفر را برای همه باقی مانده ها قرار می دهد.از جانب یک دیدگاه تجربی ، ما شواهد محکمی از اثربخشی پیدا می کنیم مداخلات غیر دارویی در جلوگیری از ضرر جان انسان در ایتالیا: برآوردهای محافظه کارانه حاکی از آن است که برای هر زندگی انسانی در واقع از دست رفته ، در عدم وجود قفل به طور متوسط 1.15 دیگر وجود خواهد داشت ، این سیاست در کل 20،400 زندگی انسانی نجات یافت.

We develop a Bayesian approach to estimate weight matrices in spatial autoregressive (or spatial lag) models. Datasets in regional economic literature are typically characterized by a limited number of time periods T relative to spatial units N. When the spatial weight matrix is subject to estimation severe problems of over-parametrization are likely. To make estimation feasible, our approach focusses on spatial weight matrices which are binary prior to row-standardization. We discuss the use of hierarchical priors which impose sparsity in the spatial weight matrix. Monte Carlo simulations show that these priors perform very well where the number of unknown parameters is large relative to the observations. The virtues of our approach are demonstrated using global data from the early phase of the COVID-19 pandemic.

ما یک رویکرد بیزی برای برآورد ماتریس وزن در مکانی ایجاد می کنیم مدل های خودکار (یا تاخیر مکانی).مجموعه داده ها در اقتصادی منطقه ای ادبیات به طور معمول توسط تعداد محدودی از دوره های زمانی مشخص می شود نسبت به واحدهای مکانی N. هنگامی که ماتریس وزن مکانی در معرض برآورد مشکلات شدید پارامتری بیش از حد محتمل است.ساختن تخمین امکان پذیر است ، رویکرد ما بر روی ماتریس های وزن مکانی متمرکز است باینری قبل از استاندارد سازی ردیف.ما در مورد استفاده از مقدمات سلسله مراتبی بحث می کنیم که در ماتریس وزن مکانی کمبود را تحمیل می کند.شبیه سازی مونت کارلو نشان می دهد که این مقدمات در جایی که تعداد پارامترهای ناشناخته بسیار خوب عمل می کند نسبت به مشاهدات بزرگ است.فضایل رویکرد ما است با استفاده از داده های جهانی از مرحله اولیه همه گیر COVID-19 نشان داده شده است.

This paper focuses on the bootstrap for network dependent processes under the conditional $\psi$-weak dependence. Such processes are distinct from other forms of random fields studied in the statistics and econometrics literature so that the existing bootstrap methods cannot be applied directly. We propose a block-based approach and a modification of the dependent wild bootstrap for constructing confidence sets for the mean of a network dependent process. In addition, we establish the consistency of these methods for the smooth function model and provide the bootstrap alternatives to the network heteroskedasticity-autocorrelation consistent (HAC) variance estimator. We find that the modified dependent wild bootstrap and the corresponding variance estimator are consistent under weaker conditions relative to the block-based method, which makes the former approach preferable for practical implementation.

در این مقاله به بوت استرپ برای فرآیندهای وابسته به شبکه تحت شرطی $ \ psi $ وابستگی weak.چنین فرایندهایی از سایر موارد متمایز هستند اشکال زمینه های تصادفی که در ادبیات آمار و اقتصاد سنجی مورد مطالعه قرار گرفته است اینکه روشهای bootstrap موجود به طور مستقیم قابل استفاده نیستند.ما پیشنهاد می کنیم رویکرد مبتنی بر بلوک و اصلاح بوت استرپ وحشی وابسته برای ساخت مجموعه اعتماد به نفس برای میانگین یک فرآیند وابسته به شبکه.که در علاوه بر این ، ما قوام این روش ها را برای عملکرد صاف ایجاد می کنیم گزینه های Bootstrap را به شبکه ارائه دهید و ارائه دهید برآوردگر واریانس سازگار (HAC) ناهمگن-اتو- همبستگی.ما پیدا می کنیم که بوت استرپ وحشی وابسته به اصلاح شده و واریانس مربوطه برآوردگر در شرایط ضعیف تر نسبت به بلوک سازگار است روش ، که باعث می شود رویکرد قبلی برای عملی ارجح باشد پیاده سازی.

This paper proposes a novel method of algorithmic subsampling (data sketching) for multiway cluster dependent data. We establish a new uniform weak law of large numbers and a new central limit theorem for the multiway algorithmic subsample means. Consequently, we discover an additional advantage of the algorithmic subsampling that it allows for robustness against potential degeneracy, and even non-Gaussian degeneracy, of the asymptotic distribution under multiway clustering. Simulation studies support this novel result, and demonstrate that inference with the algorithmic subsampling entails more accuracy than that without the algorithmic subsampling. Applying these basic asymptotic theories, we derive the consistency and the asymptotic normality for the multiway algorithmic subsampling generalized method of moments estimator and for the multiway algorithmic subsampling M-estimator. We illustrate an application to scanner data.

در این مقاله یک روش جدید از نمونه برداری الگوریتمی (داده ها) ارائه شده است طراحی) برای داده های وابسته به خوشه چند جانبه.ما یک لباس جدید ضعیف ایجاد می کنیم قانون تعداد زیاد و یک قضیه محدودیت مرکزی جدید برای چند راه نمونه الگوریتمی به معنی.در نتیجه ، ما یک مزیت اضافی را کشف می کنیم از زیر نمونه گیری الگوریتمی که این امکان را برای استحکام در برابر پتانسیل فراهم می کند انحطاط و حتی انحطاط غیر گاوسی از توزیع بدون علامت تحت خوشه بندی چند جانبه.مطالعات شبیه سازی از این نتیجه جدید پشتیبانی می کند ، و نشان می دهد که استنباط با زیر نمونه برداری الگوریتمی مستلزم بیشتر است دقت از آن بدون نمونه گیری الگوریتمی.استفاده از این موارد اساسی نظریه های بدون علامت ، ما قوام و عادی بودن بدون علامت را برای روش زیر نمونه برداری الگوریتمی چند جانبه برآوردگر لحظات و برای الگوریتمی چند جانبه زیر نمونه برداری M-desitimator.ما نشان می دهیم کاربرد داده های اسکنر.

The ex-ante evaluation of policies using structural econometric models is based on estimated parameters as a stand-in for the true parameters. This practice ignores uncertainty in the counterfactual policy predictions of the model. We develop a generic approach that deals with parametric uncertainty using uncertainty sets and frames model-informed policy-making as a decision problem under uncertainty. The seminal human capital investment model by Keane and Wolpin (1997) provides a well-known, influential, and empirically-grounded test case. We document considerable uncertainty in the models's policy predictions and highlight the resulting policy recommendations obtained from using different formal rules of decision-making under uncertainty.

ارزیابی سابق سیاست با استفاده از مدلهای اقتصادی ساختاری است بر اساس پارامترهای برآورد شده به عنوان ایستاده برای پارامترهای واقعی.این عمل عدم اطمینان را در پیش بینی های سیاست ضد عملی نادیده می گیرد مدل.ما یک رویکرد عمومی ایجاد می کنیم که به عدم اطمینان پارامتری می پردازد با استفاده از مجموعه های عدم قطعیت و فریم های سیاست گذاری آگاه به عنوان یک تصمیم مشکل تحت عدم اطمینان.مدل سرمایه گذاری سرمایه انسانی منی توسط کین و Wolpin (1997) یک مشهور ، تأثیرگذار و تجربی را فراهم می کند مورد آزمونما عدم اطمینان قابل توجهی را در سیاست مدل ها مستند می کنیم پیش بینی ها و توصیه های سیاست حاصل از آن را به دست می آورند استفاده از قوانین رسمی مختلف تصمیم گیری تحت عدم اطمینان.

This paper uses predictive densities obtained via mixed causal-noncausal autoregressive models to evaluate the statistical sustainability of Brazilian inflation targeting system with the tolerance bounds. The probabilities give an indication of the short-term credibility of the targeting system without requiring modelling people's beliefs. We employ receiver operating characteristic curves to determine the optimal probability threshold from which the bank is predicted to be credible. We also investigate the added value of including experts predictions of key macroeconomic variables.

در این مقاله از تراکم پیش بینی به دست آمده از طریق علت و علت علی استفاده شده است مدل های خودجوش برای ارزیابی پایداری آماری برزیلی سیستم هدف قرار دادن تورم با مرزهای تحمل.احتمالات نشانگر اعتبار کوتاه مدت سیستم هدفگذاری بدون نیاز به الگوسازی اعتقادات مردم.ما از گیرنده بهره می بریم منحنی های مشخصه برای تعیین آستانه احتمال بهینه که از آن پیش بینی می شود که این بانک معتبر باشد.ما همچنین ارزش افزوده را بررسی می کنیم از جمله پیش بینی کارشناسان متغیرهای کلیدی اقتصادی کلیدی.

In this paper we have updated the hypothesis testing framework by drawing upon modern computational power and classification models from machine learning. We show that a simple classification algorithm such as a boosted decision stump can be used to fully recover the full size-power trade-off for any single test statistic. This recovery implies an equivalence, under certain conditions, between the basic building block of modern machine learning and hypothesis testing. Second, we show that more complex algorithms such as the random forest and gradient boosted machine can serve as mapping functions in place of the traditional null distribution. This allows for multiple test statistics and other information to be evaluated simultaneously and thus form a pseudo-composite hypothesis test. Moreover, we show how practitioners can make explicit the relative costs of Type I and Type II errors to contextualize the test into a specific decision framework. To illustrate this approach we revisit the case of testing for unit roots, a difficult problem in time series econometrics for which existing tests are known to exhibit low power. Using a simulation framework common to the literature we show that this approach can improve upon overall accuracy of the traditional unit root test(s) by seventeen percentage points, and the sensitivity by thirty six percentage points.

در این مقاله چارچوب آزمایش فرضیه را با ترسیم به روز کرده ایم بر روی مدل های مدرن محاسباتی و طبقه بندی از دستگاه یادگیری.ما نشان می دهیم که یک الگوریتم طبقه بندی ساده مانند تقویت شده از استامپ تصمیم می توان برای بازیابی کامل تجارت کامل قدرت استفاده کرد هر آمار آزمایشی واحد.این بهبود به معنای معادل سازی ، تحت مشخص است شرایط ، بین بلوک ساختمان اصلی یادگیری ماشین مدرن و آزمایش فرضیه.دوم ، ما نشان می دهیم که الگوریتم های پیچیده تر مانند دستگاه تقویت شده جنگلی و شیب تصادفی می تواند به عنوان توابع نقشه برداری در خدمت باشد محل توزیع سنتی تهی.این امکان تست چندگانه را فراهم می کند آمار و سایر اطلاعات که به طور همزمان ارزیابی می شوند و در نتیجه شکل می گیرند آزمون فرضیه شبه ترکیبوزیت.علاوه بر این ، ما نشان می دهیم که چگونه پزشکان می توانند بسازند هزینه های نسبی خطاهای نوع I و Type II را برای متناسب سازی آشکار کنید در یک چارچوب تصمیم گیری خاص آزمون کنید.برای نشان دادن این رویکرد ما دوباره مرور می کنیم مورد آزمایش برای ریشه های واحد ، یک مشکل دشوار در سری زمانی اقتصاد سنجی که آزمایشات موجود برای آن دارای قدرت کم است.با استفاده از a چارچوب شبیه سازی مشترک برای ادبیات ما نشان می دهیم که این رویکرد می تواند با دقت کلی آزمون (های) ریشه واحد سنتی توسط هفده درصد درصد و حساسیت سی و شش درصد.

This paper contains two finite-sample results about the sign test. First, we show that the sign test is unbiased against two-sided alternatives even when observations are not identically distributed. Second, we provide simple theoretical counterexamples to show that correlation that is unaccounted for leads to size distortion and over-rejection. Our results have implication for practitioners, who are increasingly employing randomization tests for inference.

این مقاله شامل دو نتیجه نمونه محدود در مورد آزمون علامت است.اول ما نشان دهید که تست علامت در برابر گزینه های دو طرفه حتی وقتی بی طرفانه است مشاهدات به طور یکسان توزیع نمی شوند.دوم ، ما ساده را ارائه می دهیم نمونه های ضد نظری برای نشان دادن این همبستگی که برای آن حساب نشده است منجر به اعوجاج و رد بیش از حد می شود.نتایج ما دلالت دارد پزشکان ، که به طور فزاینده ای از تست های تصادفی استفاده می کنند استنتاج

The coronavirus is a global event of historical proportions and just a few months changed the time series properties of the data in ways that make many pre-covid forecasting models inadequate. It also creates a new problem for estimation of economic factors and dynamic causal effects because the variations around the outbreak can be interpreted as outliers, as shifts to the distribution of existing shocks, or as addition of new shocks. I take the latter view and use covid indicators as controls to 'de-covid' the data prior to estimation. I find that economic uncertainty remains high at the end of 2020 even though real economic activity has recovered and covid uncertainty has receded. Dynamic responses of variables to shocks in a VAR similar in magnitude and shape to the ones identified before 2020 can be recovered by directly or indirectly modeling covid and treating it as exogenous. These responses to economic shocks are distinctly different from those to a covid shock which are much larger but shorter lived. Disentangling the two types of shocks can be important in macroeconomic modeling post-covid.

Coronavirus یک رویداد جهانی با نسبت های تاریخی و فقط چند مورد است ماه ها ویژگی های سری زمانی داده ها را به روش هایی تغییر می دهند که باعث می شود مدل های پیش بینی پیش از کاوید ناکافی است.همچنین یک مشکل جدید برای تخمین عوامل اقتصادی و اثرات علیت پویا زیرا تغییرات پیرامون شیوع را می توان به عنوان مسافر تفسیر کرد ، به عنوان تغییر به توزیع شوک های موجود یا به عنوان افزودن شوک های جدید.من می گیرم مشاهده و استفاده از شاخص های COVID به عنوان کنترل "De-Covid" داده های قبل به تخمینفهمیدم که عدم اطمینان اقتصادی در پایان سال 2020 همچنان بالا است حتی اگر فعالیت اقتصادی واقعی بهبود یافته باشد و عدم اطمینان از آن برخوردار باشد retedپاسخ پویا از متغیرها به شوک در یک VAR مشابه از نظر بزرگی و شکل به آنهایی که قبل از سال 2020 مشخص شده اند ، مستقیماً یا به طور غیرمستقیم مدل سازی COVID و درمان آن به عنوان برونزا.این پاسخ ها به شوک های اقتصادی کاملاً متفاوت از شوک های Covid هستند که هستند بسیار بزرگتر اما کوتاه تر زندگی می کرد.جدا کردن دو نوع شوک می تواند باشد مهم در مدل سازی کلان اقتصادی پس از COVID.

Economists are blessed with a wealth of data for analysis, but more often than not, values in some entries of the data matrix are missing. Various methods have been proposed to handle missing observations in a few variables. We exploit the factor structure in panel data of large dimensions. Our \textsc{tall-project} algorithm first estimates the factors from a \textsc{tall} block in which data for all rows are observed, and projections of variable specific length are then used to estimate the factor loadings. A missing value is imputed as the estimated common component which we show is consistent and asymptotically normal without further iteration. Implications for using imputed data in factor augmented regressions are then discussed. To compensate for the downward bias in covariance matrices created by an omitted noise when the data point is not observed, we overlay the imputed data with re-sampled idiosyncratic residuals many times and use the average of the covariances to estimate the parameters of interest. Simulations show that the procedures have desirable finite sample properties.

اقتصاددانان از داده های زیادی برای تجزیه و تحلیل برکت می گیرند ، اما بیشتر اوقات مقادیر موجود در برخی از ورودی های ماتریس داده از دست رفته است.مختلف روش هایی برای رسیدگی به مشاهدات از دست رفته در چند متغیر پیشنهاد شده است. ما از ساختار عاملی در داده های پانل ابعاد بزرگ سوء استفاده می کنیم.ما \ textsc {Project Tall} الگوریتم اول عوامل را از a تخمین می زند \ Textsc {Tall} بلوک که در آن داده ها برای همه ردیف ها مشاهده می شود ، و پیش بینی های سپس از طول خاص متغیر برای برآورد بارهای عاملی استفاده می شود.آ مقدار گمشده به عنوان مؤلفه متداول تخمین زده شده که نشان می دهیم ، منتسب است سازگار و بدون علامت طبیعی و بدون تکرار بیشتر.پیامدهای سپس برای استفاده از داده های منتخب در رگرسیون افزوده فاکتور بحث شده است. برای جبران تعصب رو به پایین در ماتریس های کواریانس ایجاد شده توسط یک سر و صدای حذف شده هنگامی که نقطه داده مشاهده نمی شود ، ما داده های منتخب را پوشانده ایم بارها و بارها با باقیمانده های غیرمستقیم مجدداً نمونه برداری کنید و از میانگین استفاده کنید کواریانس برای برآورد پارامترهای مورد علاقه.شبیه سازی ها نشان می دهد که رویه ها دارای خواص نمونه محدود مطلوب هستند.

In this paper we first propose a root-n-consistent Conditional Maximum Likelihood (CML) estimator for all the common parameters in the panel logit AR(p) model with strictly exogenous covariates and fixed effects. Our CML estimator (CMLE) converges in probability faster and is more easily computed than the kernel-weighted CMLE of Honor\'e and Kyriazidou (2000). Next, we propose a root-n-consistent CMLE for the coefficients of the exogenous covariates only. We also discuss new CMLEs for the panel logit AR(p) model without covariates. Finally, we propose CMLEs for multinomial dynamic panel logit models with and without covariates. All CMLEs are asymptotically normally distributed.

در این مقاله ابتدا یک حداکثر مشروط سازگار با ریشه N را پیشنهاد می کنیم برآوردگر احتمال (CML) برای کلیه پارامترهای مشترک در ورود به پانل مدل AR (P) با متغیرهای متغیر اکسروژن و اثرات ثابت.CML ما برآوردگر (CMLE) در احتمال سریعتر همگرا می شود و به راحتی محاسبه می شود از Cmle of Honor و Kernel Cmle of Honor و Kyriazidou (2000).بعد ، ما CMLE سازگار با ریشه N را برای ضرایب اگزوژن پیشنهاد می کند فقط متغیر است.ما همچنین در مورد CMLE های جدید برای مدل Logit AR (P) بحث می کنیم بدون همبستگیسرانجام ، ما CMLE را برای پانل پویا چندمجمی پیشنهاد می کنیم مدل های ورود به سیستم با و بدون متغیرهای متغیر.همه CMLE ها به صورت غیر عادی هستند توزیع شده

We show that first-difference two-stages-least-squares regressions identify non-convex combinations of location-and-period-specific treatment effects. Thus, those regressions could be biased if effects are heterogeneous. We propose an alternative instrumental-variable correlated-random-coefficient (IV-CRC) estimator, that is more robust to heterogeneous effects. We revisit Autor et al. (2013), who use a first-difference two-stages-least-squares regression to estimate the effect of imports from China on US manufacturing employment. Their regression estimates a highly non-convex combination of effects. Our more robust IV-CRC estimator is small and insignificant. Though its confidence interval is wide, it significantly differs from the first-difference two-stages-least-squares estimator.

ما نشان می دهیم که رگرسیون های دو مرحله ای با اختلاف درجه یک مشخص می کنند ترکیبی غیر کنوکس از اثرات درمانی خاص و موقعیت مکانی. بنابراین ، اگر اثرات ناهمگن باشد ، این رگرسیون می توانند مغرضانه باشند.ما یک همبستگی همبستگی با همبستگی متغیر ابزاری را پیشنهاد کنید (IV-CRC) برآوردگر ، که نسبت به اثرات ناهمگن قوی تر است.ما دوباره مرور می کنیم Autor و همکاران.(2013) ، که از یک قطعات دو مرحله ای با اختلاف اول استفاده می کنند رگرسیون برای برآورد تأثیر واردات از چین در تولید ایالات متحده استخدام.رگرسیون آنها ترکیبی بسیار غیر متناوب را تخمین می زند اثراتبرآوردگر قوی تر IV-CRC ما کوچک و ناچیز است.اگر چه فاصله اطمینان آن گسترده است ، به طور قابل توجهی با با اختلاف اول برآوردگر دو مرحله ای حداقل مربعات.

This paper introduces a new specification for the nonparametric production-frontier based on Data Envelopment Analysis (DEA) when dealing with decision-making units whose economic performances are correlated with those of the neighbors (spatial dependence). To illustrate the bias reduction that the SpDEA provides with respect to standard DEA methods, an analysis of the regional production frontiers for the NUTS-2 European regions during the period 2000-2014 was carried out. The estimated SpDEA scores show a bimodal distribution do not detected by the standard DEA estimates. The results confirm the crucial role of space, offering important new insights on both the causes of regional disparities in labour productivity and the observed polarization of the European distribution of per capita income.

در این مقاله مشخصات جدیدی برای غیرپارامتری ارائه شده است فرنتر تولید بر اساس تجزیه و تحلیل پاکت داده (DEA) هنگام برخورد با واحدهای تصمیم گیری که عملکرد اقتصادی آنها با برنامه های مرتبط است همسایگان (وابستگی مکانی).برای نشان دادن کاهش تعصب SPDEA با توجه به روشهای استاندارد DEA ، تجزیه و تحلیل از مرزهای تولید منطقه ای برای مناطق آجیل 2 اروپا در این دوره 2000-2014 انجام شد.نمرات SPDEA تخمین زده شده یک دوتایی را نشان می دهد توزیع با برآورد DEA استاندارد تشخیص داده نمی شود.نتایج تأیید می کند نقش مهم فضا ، ارائه بینش های جدید مهم در مورد هر دو دلیل نابرابری های منطقه ای در بهره وری نیروی کار و قطبش مشاهده شده از توزیع اروپا درآمد سرانه.

The Rubin Causal Model (RCM) is a framework that allows to define the causal effect of an intervention as a contrast of potential outcomes. In recent years, several methods have been developed under the RCM to estimate causal effects in time series settings. None of these makes use of ARIMA models, which are instead very common in the econometrics literature. In this paper, we propose a novel approach, C-ARIMA, to define and estimate the causal effect of an intervention in a time series setting under the RCM. We first formalize the assumptions enabling the definition, the estimation and the attribution of the effect to the intervention; we then check the validity of the proposed method with an extensive simulation study, comparing its performance against a standard intervention analysis approach. In the empirical application, we use C-ARIMA to assess the causal effect of a permanent price reduction on supermarket sales. The CausalArima R package provides an implementation of our proposed approach.

مدل علیت روبین (RCM) چارچوبی است که امکان تعریف علت را فراهم می کند تأثیر مداخله به عنوان تضاد نتایج بالقوه.در سالهای اخیر، روش های مختلفی تحت RCM برای برآورد اثرات علّی در آن ایجاد شده است تنظیمات سری زمانی.هیچ یک از اینها از مدل های ARIMA استفاده نمی کند ، در عوض در ادبیات اقتصاد سنجی بسیار رایج است.در این مقاله ، ما پیشنهاد می کنیم رویکرد جدید ، C-arima ، برای تعریف و تخمین اثر علی یک مداخله در یک سری زمانی تحت RCM.ما ابتدا رسمی می کنیم فرضیاتی که تعریف ، تخمین و انتساب تأثیر به مداخله ؛سپس اعتبار روش پیشنهادی را بررسی می کنیم با یک مطالعه شبیه سازی گسترده ، مقایسه عملکرد آن در برابر a رویکرد تجزیه و تحلیل مداخله استاندارد.در برنامه تجربی ، ما استفاده می کنیم C-arima برای ارزیابی تأثیر علی کاهش قیمت دائمی در فروش سوپر مارکت.بسته Causalarima r اجرای ما را فراهم می کند رویکرد پیشنهادی

The relevance condition of Integrated Conditional Moment (ICM) estimators is significantly weaker than the conventional IV's in at least two respects: (1) consistent estimation without excluded instruments is possible, provided endogenous covariates are non-linearly mean-dependent on exogenous covariates, and (2) endogenous covariates may be uncorrelated with but mean-dependent on instruments. These remarkable properties notwithstanding, multiplicative-kernel ICM estimators suffer diminished identification strength, large bias, and severe size distortions even for a moderately sized instrument vector. This paper proposes a computationally fast linear ICM estimator that better preserves identification strength in the presence of multiple instruments and a test of the ICM relevance condition. Monte Carlo simulations demonstrate a considerably better size control in the presence of multiple instruments and a favourably competitive performance in general. An empirical example illustrates the practical usefulness of the estimator, where estimates remain plausible when no excluded instrument is used.

شرایط ارتباط برآوردگرهای لحظه مشروط (ICM) یکپارچه است حداقل از دو جنبه ضعیف تر از IV معمولی است: (1) برآورد مداوم بدون ابزارهای حذف شده امکان پذیر است ، ارائه شده است متغیرهای درون زا غیر خطی وابسته به متغیرهای اگزوژن هستند ، و (2) متغیرهای درون زا ممکن است در ارتباط با اما وابسته به میانگین در سازهااین خصوصیات قابل توجه با وجود این ، چند هسته ای برآوردگرهای ICM از استحکام شناسایی ، تعصب بزرگ و اعوجاج در اندازه شدید حتی برای یک بردار ابزار با اندازه متوسط.این مقاله یک برآوردگر ICM خطی سریع محاسباتی را ارائه می دهد که بهتر است قدرت شناسایی را در حضور چندین ساز و الف حفظ می کند آزمون شرایط ارتباط ICM.شبیه سازی های مونت کارلو نشان می دهد کنترل اندازه به طور قابل توجهی بهتر در حضور چندین ابزار و الف عملکرد مطلوب رقابتی به طور کلی.یک مثال تجربی نشان می دهد سودمندی عملی برآوردگر ، جایی که تخمین ها قابل قبول هستند هنگامی که از ابزار مستثنی استفاده نمی شود.

We introduce a new test for a two-sided hypothesis involving a subset of the structural parameter vector in the linear instrumental variables (IVs) model. Guggenberger et al. (2019), GKM19 from now on, introduce a subvector Anderson-Rubin (AR) test with data-dependent critical values that has asymptotic size equal to nominal size for a parameter space that allows for arbitrary strength or weakness of the IVs and has uniformly nonsmaller power than the projected AR test studied in Guggenberger et al. (2012). However, GKM19 imposes the restrictive assumption of conditional homoskedasticity. The main contribution here is to robustify the procedure in GKM19 to arbitrary forms of conditional heteroskedasticity. We first adapt the method in GKM19 to a setup where a certain covariance matrix has an approximate Kronecker product (AKP) structure which nests conditional homoskedasticity. The new test equals this adaption when the data is consistent with AKP structure as decided by a model selection procedure. Otherwise the test equals the AR/AR test in Andrews (2017) that is fully robust to conditional heteroskedasticity but less powerful than the adapted method. We show theoretically that the new test has asymptotic size bounded by the nominal size and document improved power relative to the AR/AR test in a wide array of Monte Carlo simulations when the covariance matrix is not too far from AKP.

ما یک آزمایش جدید برای یک فرضیه دو طرفه شامل زیر مجموعه ای از وکتور پارامتر ساختاری در مدل متغیرهای ابزاری خطی (IVS). گوگگنبرگر و همکاران.(2019) ، GKM19 از این پس ، یک زیر فهرست را معرفی کنید تست اندرسون-روبین (AR) با مقادیر مهم وابسته به داده ها که دارد اندازه بدون علامت برابر با اندازه اسمی برای یک فضای پارامتر که امکان پذیر است قدرت یا ضعف خودسرانه IVS و دارای یکنواخت قدرت غیرقانونی است از آزمایش AR پیش بینی شده در گوگگنبرگر و همکاران.(2012).با این حال، GKM19 فرض محدود کننده همجنسگرایی مشروط را تحمیل می کند.در سهم اصلی در اینجا تقویت روش در GKM19 به خودسرانه است اشکال ناهمگونی مشروط.ما ابتدا روش را در GKM19 با مجموعه ای که در آن یک ماتریس کواریانس خاص دارای یک محصول تقریبی Kronecker است (حزب عدالت و حزباز) ساختاری که همجنسگرای شرطی را لانه می کند.آزمون جدید برابر است این سازگاری هنگامی که داده ها با ساختار حزب عدالت و توسعه سازگار است ، همانطور که توسط a تصمیم گرفته شده است روش انتخاب مدل.در غیر این صورت آزمون برابر با آزمون AR/AR در اندروز است (2017) که کاملاً قوی برای ناهمگونی مشروط اما قدرتمندتر است از روش سازگارما از لحاظ تئوریکی نشان می دهیم که آزمون جدید بدون علامت است اندازه محدود شده توسط اندازه اسمی و سند بهبود یافته قدرت نسبت به تست AR/AR در طیف گسترده ای از شبیه سازی های مونت کارلو هنگام کواریانس ماتریس خیلی دور از حزب عدالت و توسعه نیست.

In any multiperiod panel, a two-way fixed effects (TWFE) regression is numerically equivalent to a first-difference (FD) regression that pools all possible between-period gaps. Building on this observation, this paper develops numerical and causal interpretations of the TWFE coefficient. At the sample level, the TWFE coefficient is a weighted average of FD coefficients with different between-period gaps. This decomposition is useful for assessing the source of identifying variation for the TWFE coefficient. At the population level, a causal interpretation of the TWFE coefficient requires a common trends assumption for any between-period gap, and the assumption has to be conditional on changes in time-varying covariates. I show that these requirements can be naturally relaxed by modifying the estimator using a pooled FD regression.

در هر پنل چند قطبی ، یک رگرسیون دو طرفه ثابت (TWFE) است از نظر عددی معادل رگرسیون با اختلاف اول (FD) است که همه را استخراج می کند شکاف های بین دوره ممکن است.با تکیه بر این مشاهده ، این مقاله توسعه می یابد تفسیرهای عددی و علّی از ضریب TWFE.در نمونه سطح ، ضریب TWFE میانگین وزنی ضرایب FD با شکاف های مختلف بین دوره.این تجزیه برای ارزیابی منبع شناسایی تنوع برای ضریب TWFE.در جمعیت سطح ، تفسیر علی از ضریب TWFE نیاز به یک روند مشترک دارد فرض برای هر شکاف بین دوره ، و فرض باید مشروط باشد در مورد تغییر در متغیرهای متغیر زمان.من نشان می دهم که این شرایط می تواند باشد به طور طبیعی با اصلاح برآوردگر با استفاده از رگرسیون FD تلفیقی آرامش می یابد.

Here, we analyse the behaviour of the higher order standardised moments of financial time series when we truncate a large data set into smaller and smaller subsets, referred to below as time windows. We look at the effect of the economic environment on the behaviour of higher order moments in these time windows. We observe two different scaling relations of higher order moments when the data sub sets' length decreases; one for longer time windows and another for the shorter time windows. These scaling relations drastically change when the time window encompasses a financial crisis. We also observe a qualitative change of higher order standardised moments compared to the gaussian values in response to a shrinking time window. We extend this analysis to incorporate the effects these scaling relations have upon risk. We decompose the return series within these time windows and carry out a Value-at-Risk calculation. In doing so, we observe the manifestation of the scaling relations through the change in the Value-at-Risk level. Moreover, we model the observed scaling laws by analysing the hierarchy of rare events on higher order moments.

در اینجا ، ما رفتار لحظات استاندارد شده مرتبه بالاتر را تجزیه و تحلیل می کنیم سری زمانی مالی هنگامی که ما یک داده بزرگ را به صورت کوچکتر و کوچکتر می کنیم زیر مجموعه های کوچکتر ، که در زیر به عنوان ویندوز زمان گفته می شود.ما به تأثیر آن نگاه می کنیم محیط اقتصادی در مورد رفتار لحظات مرتبه بالاتر در این زمان پنجره ها.ما دو رابطه مختلف مقیاس در لحظه های مرتبه بالاتر را مشاهده می کنیم هنگامی که طول زیر مجموعه داده ها کاهش می یابد.یکی برای ویندوزهای طولانی تر و دیگری برای پنجره های کوتاهتر.این روابط مقیاس به طرز چشمگیری تغییر هنگامی که پنجره زمانی یک بحران مالی را شامل می شود.ما همچنین مشاهده می کنیم تغییر کیفی لحظه های استاندارد مرتبه بالاتر در مقایسه با مقادیر گاوسی در پاسخ به یک پنجره زمان کوچک شدن.ما این تحلیل را گسترش می دهیم برای گنجاندن تأثیراتی که این روابط مقیاس بر خطر دارد.ما تجزیه می کنیم سری بازگشت در این زمان ویندوز و یک ارزش در معرض خطر را انجام می دهد محاسبهبا انجام این کار ، ما تظاهرات روابط مقیاس را مشاهده می کنیم از طریق تغییر در سطح ارزش در معرض خطر.علاوه بر این ، ما مشاهده شده را مدل می کنیم مقیاس بندی قوانین با تجزیه و تحلیل سلسله مراتب وقایع نادر در لحظه های مرتبه بالاتر.