Datasets:

mabidan

/

econ_paper_abstracts_fa_translation

like 1

We study identification of dynamic discrete choice models with hyperbolic discounting. We show that the standard discount factor, present bias factor, and instantaneous utility functions for the sophisticated agent are point-identified from observed conditional choice probabilities and transition probabilities in a finite horizon model. The main idea to achieve identification is to exploit variation in the observed conditional choice probabilities over time. We present the estimation method and demonstrate a good performance of the estimator by simulation.

ما شناسایی مدل های انتخاب گسسته پویا با هایپربولیک را مطالعه می کنیم تخفیفما نشان می دهیم که عامل تخفیف استاندارد ، فاکتور تعصب موجود ، و توابع ابزار فوری برای عامل پیشرفته هستند نقطه شناسایی شده از احتمالات انتخاب مشروط مشاهده شده و انتقال احتمالات در یک مدل افق محدود.ایده اصلی برای دستیابی شناسایی برای بهره برداری از تغییر در انتخاب مشروط مشاهده شده است احتمالات با گذشت زمان.ما روش تخمین را ارائه می دهیم و نشان می دهیم عملکرد خوب برآوردگر با شبیه سازی.

This paper studies the problem of estimating individualized treatment rules when treatment effects are partially identified, as it is often the case with observational data. By drawing connections between the treatment assignment problem and classical decision theory, we characterize several notions of optimal treatment policies in the presence of partial identification. Our unified framework allows to incorporate user-defined constraints on the set of allowable policies, such as restrictions for transparency or interpretability, while also ensuring computational feasibility. We show how partial identification leads to a new policy learning problem where the objective function is directionally -- but not fully -- differentiable with respect to the nuisance first-stage. We then propose an estimation procedure that ensures Neyman-orthogonality with respect to the nuisance components and we provide statistical guarantees that depend on the amount of concentration around the points of non-differentiability in the data-generating-process. The proposed methods are illustrated using data from the Job Partnership Training Act study.

در این مقاله مشکل تخمین قوانین درمانی فردی بررسی شده است هنگامی که اثرات درمانی تا حدی مشخص می شود ، همانطور که اغلب در این مورد وجود دارد داده های مشاهده ای.با ترسیم اتصالات بین تکلیف درمانی مشکل و نظریه تصمیم گیری کلاسیک ، ما چندین مفهوم را توصیف می کنیم سیاست های درمانی بهینه در حضور شناسایی جزئی.ما چارچوب یکپارچه اجازه می دهد محدودیت های تعریف شده توسط کاربر را در مجموعه ای از سیاست های مجاز ، مانند محدودیت برای شفافیت یا تفسیر ، در عین حال امکان سنجی محاسباتی را نیز تضمین می کند.ما نشان می دهیم که چگونه جزئی است شناسایی منجر به یک مشکل جدید یادگیری سیاست می شود که در آن هدف عملکرد از نظر جهت - اما به طور کامل - با توجه به مرحله اول مزاحم.ما سپس یک روش تخمین را تضمین می کنیم Neyman-yman-ortogonality با توجه به مؤلفه های مزاحم و ما ارائه می دهیم تضمین های آماری که به میزان غلظت اطراف آن بستگی دارد نقاط عدم تمایز در فرآیند تولید داده.پیشنهاد روشها با استفاده از داده های مطالعه قانون آموزش مشارکت شغلی نشان داده شده است.

This paper considers a model with general regressors and unobservable factors. An estimator based on iterated principal components is proposed, which is shown to be not only asymptotically normal and oracle efficient, but under certain conditions also free of the otherwise so common asymptotic incidental parameters bias. Interestingly, the conditions required to achieve unbiasedness become weaker the stronger the trends in the factors, and if the trending is strong enough unbiasedness comes at no cost at all. In particular, the approach does not require any knowledge of how many factors there are, or whether they are deterministic or stochastic. The order of integration of the factors is also treated as unknown, as is the order of integration of the regressors, which means that there is no need to pre-test for unit roots, or to decide on which deterministic terms to include in the model.

این مقاله مدلی را با رگرسیون های عمومی و غیرقابل کنترل در نظر می گیرد عوامل.برآوردگر مبتنی بر مؤلفه های اصلی تکرار شده ارائه شده است ، که نشان داده شده است که نه تنها از نظر غیر عادی طبیعی و اوراکل کارآمد ، بلکه تحت شرایط خاص نیز عاری از حادثه ای غیر متداول در غیر این صورت است تعصب پارامترها.جالب اینجاست که شرایط لازم برای دستیابی به بی طرفانه روندها در فاکتورها ضعیف تر می شوند و اگر روند وجود داشته باشد بی طرفی به اندازه کافی قوی بدون هیچ هزینه ای به وجود می آید.به طور خاص ، رویکرد نیازی به دانش در مورد تعداد عوامل وجود ندارد ، یا اینکه آیا آنها قطعی یا تصادفی هستند.ترتیب ادغام عوامل است همچنین به عنوان ناشناخته ، همانطور که ترتیب ادغام رگرسرها نیز رفتار می شود ، این بدان معنی است که نیازی به پیش آزمون برای ریشه های واحد نیست یا تصمیم گیری در مورد آن که اصطلاحات قطعی در مدل گنجانده شده است.

We discuss estimation of the differentiated products demand system of Berry et al (1995) (BLP) by maximum likelihood estimation (MLE). We derive the maximum likelihood estimator in the case where prices are endogenously generated by firms that set prices in Bertrand-Nash equilibrium. In Monte Carlo simulations the MLE estimator outperforms the best-practice GMM estimator on both bias and mean squared error when the model is correctly specified. This remains true under some forms of misspecification. In our simulations, the coverage of the ML estimator is close to its nominal level, whereas the GMM estimator tends to under-cover. We conclude the paper by estimating BLP on the car data used in the original Berry et al (1995) paper, obtaining similar estimates with considerably tighter standard errors.

ما در مورد تخمین سیستم تقاضای محصولات متمایز از توت بحث می کنیم و همکاران (1995) (BLP) با برآورد حداکثر احتمال (MLE).ما استخراج می کنیم حداکثر برآوردگر احتمال در مواردی که قیمت ها به صورت درون زا هستند تولید شده توسط بنگاه هایی که قیمت ها را در تعادل Bertrand-Nash تعیین می کنند.در مونت کارلو شبیه سازی برآوردگر MLE بهتر از بهترین برآوردگر GMM در مورد عمل است هر دو تعصب و میانگین خطای مربع هنگام مشخص شدن مدل.این تحت برخی اشکال اشتباه اشتباه باقی می ماند.در شبیه سازی های ما ، پوشش برآوردگر ML نزدیک به سطح اسمی آن است ، در حالی که GMM برآوردگر تمایل به زیر پوشش دارد.ما مقاله را با تخمین BLP در داده های اتومبیل مورد استفاده در مقاله اصلی بری و همکاران (1995) ، به دست آوردن مشابه تخمین ها با خطاهای استاندارد بسیار محکم تر.

Difference in differences (DD) is widely used to find policy/treatment effects with observational data, but applying DD to limited dependent variables (LDV's) Y has been problematic. This paper addresses how to apply DD and related approaches (such as "ratio in ratios" or "ratio in odds ratios") to binary, count, fractional, multinomial or zero-censored Y under the unifying framework of `generalized linear models with link functions'. We evaluate DD and the related approaches with simulation and empirical studies, and recommend 'Poisson Quasi-MLE' for non-negative (such as count or zero-censored) Y and (multinomial) logit MLE for binary, fractional or multinomial Y.

تفاوت در تفاوت (DD) به طور گسترده ای برای یافتن سیاست/درمان استفاده می شود اثرات با داده های مشاهده ای ، اما استفاده از DD برای متغیرهای وابسته محدود (LDV) Y مشکل ساز بوده است.در این مقاله به نحوه اعمال DD و رویکردهای مرتبط (مانند "نسبت در نسبت" یا "نسبت در نسبت شانس") به باینری ، شمارش ، کسری ، چندمجمی یا صفر سانسور تحت یک متحد چارچوب "مدل های خطی تعمیم یافته با توابع پیوند".ما DD را ارزیابی می کنیم و رویکردهای مرتبط با شبیه سازی و مطالعات تجربی ، و توصیه می کند "پواسون شبه مایل" برای غیر منفی (مانند شمارش یا سانسور صفر) y و (Multinomial) logit mle برای باینری ، کسری یا چندمادی Y.

The problem of demand inversion - a crucial step in the estimation of random utility discrete-choice models - is equivalent to the determination of stable outcomes in two-sided matching models. This equivalence applies to random utility models that are not necessarily additive, smooth, nor even invertible. Based on this equivalence, algorithms for the determination of stable matchings provide effective computational methods for estimating these models. For non-invertible models, the identified set of utility vectors is a lattice, and the matching algorithms recover sharp upper and lower bounds on the utilities. Our matching approach facilitates estimation of models that were previously difficult to estimate, such as the pure characteristics model. An empirical application to voting data from the 1999 European Parliament elections illustrates the good performance of our matching-based demand inversion algorithms in practice.

مشکل وارونگی تقاضا - یک گام مهم در تخمین تصادفی مدل های انتخابی گسسته ابزار - معادل تعیین پایدار است نتایج در مدل های تطبیق دو طرفه.این هم ارزی به صورت تصادفی اعمال می شود مدل های ابزار که لزوماً افزودنی ، صاف و حتی غیرقابل تحمل نیستند. بر اساس این هم ارزی ، الگوریتم هایی برای تعیین تطابق پایدار روشهای محاسباتی مؤثر برای برآورد این مدل ها ارائه دهید.برای مدل های غیر قابل برگشت ، مجموعه مشخص شده از بردارهای ابزار یک شبکه است و الگوریتم های تطبیق محدودیت های تیز بالا و پایین در آب و برق را بازیابی می کنند. رویکرد تطبیق ما تخمین مدل هایی را که قبلاً انجام شده است تسهیل می کند تخمین دشوار ، مانند مدل ویژگی های خالص.تجربی درخواست به داده های رای گیری از انتخابات پارلمان اروپا 1999 عملکرد خوب وارونگی تقاضای مبتنی بر ما را نشان می دهد الگوریتم ها در عمل.

This paper develops permutation versions of identification-robust tests in linear instrumental variables (IV) regression. Unlike the existing randomization and rank-based tests in which independence between the instruments and the error terms is assumed, the permutation Anderson- Rubin (AR), Lagrange Multiplier (LM) and Conditional Likelihood Ratio (CLR) tests are asymptotically similar and robust to conditional heteroskedasticity under standard exclusion restriction i.e. the orthogonality between the instruments and the error terms. Moreover, when the instruments are independent of the structural error term, the permutation AR tests are exact, hence robust to heavy tails. As such, these tests share the strengths of the rank-based tests and the wild bootstrap AR tests. Numerical illustrations corroborate the theoretical results.

در این مقاله نسخه های جایگشت تست های شناسایی-روبست در متغیرهای ابزاری خطی (IV) رگرسیون.برخلاف موجود تصادفی سازی و تست های مبتنی بر رتبه که در آن استقلال بین ابزارها و شرایط خطا فرض شده است ، جابجایی اندرسون- روبین (AR) ، چند برابر Lagrange (LM) و نسبت احتمال مشروط (CLR) به صورت مجان محدودیت محرومیت استاندارد یعنی ارتوگونی بودن بین ابزارها و اصطلاحات خطاعلاوه بر این ، هنگامی که سازها مستقل هستند اصطلاح خطای ساختاری ، آزمون های AR Permutation دقیق هستند ، از این رو قوی به دمهای سنگینبه همین ترتیب ، این تست ها نقاط قوت تست های مبتنی بر رتبه را به اشتراک می گذارند و تست های Wild Bootstrap AR.تصاویر عددی تأیید می کند نتایج نظری

I examine the common problem of multiple missingness on both the endogenous treatment and outcome variables. Two types of dependence assumptions for missing mechanisms are proposed for identification, based on which a two-step AIPW GMM estimator is proposed. This estimator is unbiased and more efficient than the previously used estimation methods. Statistical properties are discussed case by case. This method is applied to the Oregon Health Insurance Experiment and shows the significant effects of enrolling in the Oregon Health Plan on improving health-related outcomes and reducing out-of-pocket costs for medical care. There is evidence that simply dropping the incomplete data creates downward biases for some of the chosen outcome variables. Moreover, the estimator proposed in this paper reduced standard errors by 6-24% of the estimated effects of the Oregon Health Plan.

من مشکل شایع مفقود شدن متعدد را در هر دو درون زا بررسی می کنم متغیرهای درمان و نتیجه.دو نوع فرض وابستگی برای مکانیسم های گمشده برای شناسایی ارائه شده است ، که بر اساس آن دو مرحله ای برآوردگر AIPW GMM پیشنهاد شده است.این برآوردگر بی طرفانه و کارآمدتر است از روشهای تخمین قبلاً استفاده شده.خصوصیات آماری هستند مورد مورد بحثاین روش برای بیمه درمانی اورگان اعمال می شود آزمایش و اثرات قابل توجه ثبت نام در سلامت اورگان را نشان می دهد برنامه ریزی برای بهبود نتایج مرتبط با سلامت و کاهش هزینه های خارج از جیب برای مراقبت پزشکی.شواهدی وجود دارد که به سادگی داده های ناقص را رها می کند تعصبات رو به پایین برای برخی از متغیرهای نتیجه انتخاب شده ایجاد می کند.علاوه بر این ، برآوردگر پیشنهادی در این مقاله ، خطاهای استاندارد را 6-24 ٪ کاهش داد اثرات تخمین زده شده از برنامه بهداشت اورگان.

This paper studies the unconditional effects of a general policy intervention, which includes location-scale shifts and simultaneous shifts as special cases. The location-scale shift is intended to study a counterfactual policy aimed at changing not only the mean or location of a covariate but also its dispersion or scale. The simultaneous shift refers to the situation where shifts in two or more covariates take place simultaneously. For example, a shift in one covariate is compensated at a certain rate by a shift in another covariate. Not accounting for these possible scale or simultaneous shifts will result in an incorrect assessment of the potential policy effects on an outcome variable of interest. The unconditional policy parameters are estimated with simple semiparametric estimators, for which asymptotic properties are studied. Monte Carlo simulations are implemented to study their finite sample performances. The proposed approach is applied to a Mincer equation to study the effects of changing years of education on wages and to study the effect of smoking during pregnancy on birth weight.

این مقاله به بررسی اثرات بی قید و شرط یک سیاست کلی مداخله ، که شامل شیفت های در مقیاس مکان و شیفت های همزمان به عنوان است موارد خاص.تغییر در مقیاس موقعیت مکانی برای مطالعه یک خلاف واقع در نظر گرفته شده است با هدف تغییر نه تنها میانگین یا مکان یک همبستگی بلکه همچنین تغییر می کند پراکندگی یا مقیاس آن.تغییر همزمان به وضعیتی اشاره دارد که تغییر در دو یا چند متغیر همزمان به طور همزمان صورت می گیرد.به عنوان مثال ، الف تغییر در یک متغیر متغیر با تغییر در دیگری جبران می شود همبستگیحسابداری برای این مقیاس ممکن یا شیفت های همزمان حساب نمی شود منجر به ارزیابی نادرست از اثرات سیاست بالقوه بر روی یک نتیجه می شود متغیر علاقه.پارامترهای سیاست بی قید و شرط با تخمین زده می شود برآوردگرهای ساده نیمه پارامتری ، که برای آنها خواص بدون علامت مورد بررسی قرار می گیرد. شبیه سازی مونت کارلو برای مطالعه نمونه محدود آنها اجرا می شود اجراهارویکرد پیشنهادی برای مطالعه به یک معادله mincer اعمال می شود اثرات تغییر سالهای آموزش بر دستمزد و بررسی تأثیر سیگار کشیدن در دوران بارداری بر روی وزن هنگام تولد.

Here, we use Machine Learning (ML) algorithms to update and improve the efficiencies of fitting GARCH model parameters to empirical data. We employ an Artificial Neural Network (ANN) to predict the parameters of these models. We present a fitting algorithm for GARCH-normal(1,1) models to predict one of the model's parameters, $\alpha_1$ and then use the analytical expressions for the fourth order standardised moment, $\Gamma_4$ and the unconditional second order moment, $\sigma^2$ to fit the other two parameters; $\beta_1$ and $\alpha_0$, respectively. The speed of fitting of the parameters and quick implementation of this approach allows for real time tracking of GARCH parameters. We further show that different inputs to the ANN namely, higher order standardised moments and the autocovariance of time series can be used for fitting model parameters using the ANN, but not always with the same level of accuracy.

در اینجا ، ما از الگوریتم های یادگیری ماشین (ML) برای به روزرسانی و بهبود استفاده می کنیم کارآیی پارامترهای مدل GARCH متناسب با داده های تجربی.ما از شبکه عصبی مصنوعی (ANN) برای پیش بینی پارامترهای این مدل ها.ما یک الگوریتم مناسب برای مدل های Garch-Normal (1،1) برای پیش بینی یکی از پارامترهای مدل ، $ \ alpha_1 $ و سپس از عبارات تحلیلی برای لحظه چهارم استاندارد استاندارد ، $ \ gamma_4 $ و مرتبه دوم بدون قید لحظه ، $ \ sigma^2 $ برای متناسب با دو پارامتر دیگر.$ \ beta_1 $ و $ \ alpha_0 $ ، به ترتیب.سرعت اتصالات پارامترها و اجرای سریع از این رویکرد امکان ردیابی زمان واقعی پارامترهای GARCH را فراهم می کند.ما بیشتر نشان می دهد که ورودی های مختلف به آن یعنی لحظات استاندارد مرتبه بالاتر و اتوکوارانس سری زمانی را می توان برای متناسب سازی پارامترهای مدل استفاده کرد با استفاده از آن ، اما نه همیشه با همان سطح دقت.

In this paper, we propose a two-step procedure based on the group LASSO estimator in combination with a backward elimination algorithm to detect multiple structural breaks in linear regressions with multivariate responses. Applying the two-step estimator, we jointly detect the number and location of change points, and provide consistent estimates of the coefficients. Our framework is flexible enough to allow for a mix of integrated and stationary regressors, as well as deterministic terms. Using simulation experiments, we show that the proposed two-step estimator performs competitively against the likelihood-based approach (Qu and Perron, 2007; Li and Perron, 2017; Oka and Perron, 2018) in finite samples. However, the two-step estimator is computationally much more efficient. An economic application to the identification of structural breaks in the term structure of interest rates illustrates this methodology.

در این مقاله ، ما یک روش دو مرحله ای را بر اساس گروه Lasso پیشنهاد می کنیم برآوردگر در ترکیب با یک الگوریتم حذف عقب برای تشخیص شکستگی ساختاری متعدد در رگرسیون خطی با پاسخ های چند متغیره. با استفاده از برآوردگر دو مرحله ای ، ما به طور مشترک تعداد و مکان را تشخیص می دهیم نقاط را تغییر دهید و تخمین های مداوم از ضرایب را ارائه دهید.ما چارچوب به اندازه کافی انعطاف پذیر است تا بتواند ترکیبی از یکپارچه و ثابت را فراهم کند رگرسیون ، و همچنین اصطلاحات قطعی.با استفاده از آزمایش های شبیه سازی ، ما نشان می دهد که برآوردگر دو مرحله ای پیشنهادی در برابر رویکرد مبتنی بر احتمال (کو و پرورون ، 2007 ؛ لی و پرورون ، 2017 ؛ اوکا و Perron ، 2018) در نمونه های محدود.با این حال ، برآوردگر دو مرحله ای است از نظر محاسباتی بسیار کارآمدتر است.یک برنامه اقتصادی برای شناسایی شکستگی های ساختاری در اصطلاح ساختار نرخ بهره این روش شناسی را نشان می دهد.

This paper studies nonparametric identification in market level demand models for differentiated products with heterogeneous consumers. We consider a general class of models that allows for the individual specific coefficients to vary continuously across the population and give conditions under which the density of these coefficients, and hence also functionals such as welfare measures, is identified. A key finding is that two leading models, the BLP-model (Berry, Levinsohn, and Pakes, 1995) and the pure characteristics model (Berry and Pakes, 2007), require considerably different conditions on the support of the product characteristics.

این مقاله به بررسی شناسایی غیرپارامتری در مدل های تقاضای سطح بازار می پردازد برای محصولات متمایز با مصرف کنندگان ناهمگن.ما یک ژنرال را در نظر می گیریم کلاس مدل هایی که به ضرایب خاص فردی اجازه می دهد متفاوت باشد به طور مداوم در سراسر جمعیت و شرایطی که تحت آن تراکم قرار دارد از این ضرایب ، و از این رو نیز عملکردی مانند اقدامات رفاهی است. شناخته شده است.یک یافته مهم این است که دو مدل پیشرو ، مدل BLP (بری ، Levinsohn ، and Pakes ، 1995) و مدل ویژگی های خالص (بری و Pakes ، 2007) ، نیاز به شرایط قابل توجهی متفاوت برای پشتیبانی از مشخصات محصول.

In this paper, we introduce a flexible and widely applicable nonparametric entropy-based testing procedure that can be used to assess the validity of simple hypotheses about a specific parametric population distribution. The testing methodology relies on the characteristic function of the population probability distribution being tested and is attractive in that, regardless of the null hypothesis being tested, it provides a unified framework for conducting such tests. The testing procedure is also computationally tractable and relatively straightforward to implement. In contrast to some alternative test statistics, the proposed entropy test is free from user-specified kernel and bandwidth choices, idiosyncratic and complex regularity conditions, and/or choices of evaluation grids. Several simulation exercises were performed to document the empirical performance of our proposed test, including a regression example that is illustrative of how, in some contexts, the approach can be applied to composite hypothesis-testing situations via data transformations. Overall, the testing procedure exhibits notable promise, exhibiting appreciable increasing power as sample size increases for a number of alternative distributions when contrasted with hypothesized null distributions. Possible general extensions of the approach to composite hypothesis-testing contexts, and directions for future work are also discussed.

در این مقاله ، ما یک غیر پارامتری انعطاف پذیر و بسیار قابل استفاده را معرفی می کنیم روش آزمایش مبتنی بر آنتروپی که می تواند برای ارزیابی اعتبار استفاده شود فرضیه های ساده در مورد توزیع جمعیت پارامتری خاص.در روش آزمایش به عملکرد مشخصه جمعیت متکی است توزیع احتمال آزمایش شده و بدون توجه به آن جذاب است فرضیه تهی که مورد آزمایش قرار می گیرد ، یک چارچوب یکپارچه را برای آن فراهم می کند انجام چنین آزمایشاتی.روش آزمایش نیز از نظر محاسباتی قابل ردیابی است و نسبتاً ساده برای پیاده سازی.برخلاف برخی گزینه های دیگر آمار آزمون ، آزمون آنتروپی پیشنهادی عاری از هسته مشخص شده توسط کاربر است و گزینه های پهنای باند ، شرایط منظم و خاص و پیچیده ، و/یا انتخاب شبکه های ارزیابی.چندین تمرین شبیه سازی انجام شد عملکرد تجربی آزمون پیشنهادی ما ، از جمله رگرسیون را مستند کنید به عنوان مثال که نشان دهنده این است که چگونه ، در بعضی از زمینه ها ، رویکرد می تواند باشد از طریق تحولات داده برای شرایط آزمایش فرضیه کامپوزیت اعمال می شود. به طور کلی ، روش آزمایش وعده های قابل توجهی را نشان می دهد ، که قابل توجه است افزایش قدرت با افزایش اندازه نمونه برای تعدادی جایگزین توزیع در تضاد با توزیع های تهی فرضیه.ممکن پسوندهای عمومی رویکرد به زمینه های تست فرضیه کامپوزیت ، و دستورالعمل های مربوط به کارهای آینده نیز مورد بحث قرار گرفته است.

Is homophily in social and economic networks driven by a taste for homogeneity (preferences) or by a higher probability of meeting individuals with similar attributes (opportunity)? This paper studies identification and estimation of an iterative network game that distinguishes between these two mechanisms. Our approach enables us to assess the counterfactual effects of changing the meeting protocol between agents. As an application, we study the role of preferences and meetings in shaping classroom friendship networks in Brazil. In a network structure in which homophily due to preferences is stronger than homophily due to meeting opportunities, tracking students may improve welfare. Still, the relative benefit of this policy diminishes over the school year.

آیا در شبکه های اجتماعی و اقتصادی هموفی است که به دلیل طعم و مزه همگن (ترجیحات) یا با احتمال بالاتر ملاقات با افراد با ویژگی های مشابه (فرصت)؟این مقاله به بررسی شناسایی و تخمین یک بازی شبکه تکراری که بین این دو متمایز است مکانیسم هارویکرد ما ما را قادر می سازد تا اثرات خلاف واقع را ارزیابی کنیم تغییر پروتکل جلسه بین نمایندگان.به عنوان یک برنامه ، ما مطالعه می کنیم نقش ترجیحات و جلسات در شکل دادن به شبکه های دوستی کلاس در برزیلدر یک ساختار شبکه ای که در آن به دلیل ترجیحات هموفی است قوی تر از هموفیلی به دلیل فرصت های ملاقات ، ممکن است دانش آموزان ردیابی کنند رفاه را بهبود بخشید.با این حال ، فواید نسبی این سیاست از طریق سال تحصیلی.

We propose difference-in-differences estimators for continuous treatments with heterogeneous effects. We assume that between consecutive periods, the treatment of some units, the switchers, changes, while the treatment of other units does not change. We show that under a parallel trends assumption, an unweighted and a weighted average of the slopes of switchers' potential outcomes can be estimated. While the former parameter may be more intuitive, the latter can be used for cost-benefit analysis, and it can often be estimated more precisely. We generalize our estimators to the instrumental-variable case. We use our results to estimate the price-elasticity of gasoline consumption.

ما برآوردگرهای اختلاف در اختلافات را برای درمان های مداوم پیشنهاد می کنیم با اثرات ناهمگن.ما فرض می کنیم که بین دوره های متوالی ، درمان برخی از واحدها ، تعویض کننده ها ، تغییر می کند ، در حالی که درمان دیگری است واحدها تغییر نمی کنند.ما نشان می دهیم که تحت یک فرض روند موازی ، یک بدون وزنی و میانگین وزنی دامنه پتانسیل تعویض کننده ها نتایج را می توان تخمین زد.در حالی که پارامتر قبلی ممکن است بصری تر باشد ، مورد دوم را می توان برای تجزیه و تحلیل هزینه و فایده استفاده کرد و اغلب می توان آن را تخمین زد دقیق تر.ما برآوردگرهای خود را به پرونده متغیر ابزاری تعمیم می دهیم. ما از نتایج خود برای برآورد قیمت اقلیت های مصرف بنزین استفاده می کنیم.

Despite their popularity, randomized controlled trials (RCTs) are not always available for the purposes of advertising measurement. Non-experimental data is thus required. However, Facebook and other ad platforms use complex and evolving processes to select ads for users. Therefore, successful non-experimental approaches need to "undo" this selection. We analyze 663 large-scale experiments at Facebook to investigate whether this is possible with the data typically logged at large ad platforms. With access to over 5,000 user-level features, these data are richer than what most advertisers or their measurement partners can access. We investigate how accurately two non-experimental methods -- double/debiased machine learning (DML) and stratified propensity score matching (SPSM) -- can recover the experimental effects. Although DML performs better than SPSM, neither method performs well, even using flexible deep learning models to implement the propensity and outcome models. The median RCT lifts are 29%, 18%, and 5% for the upper, middle, and lower funnel outcomes, respectively. Using DML (SPSM), the median lift by funnel is 83% (173%), 58% (176%), and 24% (64%), respectively, indicating significant relative measurement errors. We further characterize the circumstances under which each method performs comparatively better. Overall, despite having access to large-scale experiments and rich user-level data, we are unable to reliably estimate an ad campaign's causal effect.

با وجود محبوبیت آنها ، کارآزمایی های کنترل شده تصادفی (RCT) همیشه نیستند برای اهداف اندازه گیری تبلیغات در دسترس است.داده های غیر تجربی است بنابراین لازم است.با این حال ، فیس بوک و سایر سیستم عامل های تبلیغاتی از پیچیده و فرآیندهای در حال تحول برای انتخاب تبلیغات برای کاربران.بنابراین ، موفق رویکردهای غیر تجربی باید این انتخاب را "خنثیسازی" کنند.ما 663 را تجزیه و تحلیل می کنیم آزمایش های در مقیاس بزرگ در فیس بوک برای بررسی اینکه آیا این امکان پذیر است با داده هایی که معمولاً در سیستم عامل های تبلیغاتی بزرگ وارد می شوند.با دسترسی به بیش از 5000 ویژگی های سطح کاربر ، این داده ها غنی تر از آنچه بیشتر تبلیغ کنندگان یا آنها هستند شرکای اندازه گیری می توانند به آن دسترسی پیدا کنند.ما بررسی می کنیم که چگونه دو روشهای غیر تجربی-یادگیری ماشین مضاعف/debiased (DML) و تطبیق نمره گرایش طبقه بندی شده (SPSM) - می تواند تجربی را بازیابی کند اثراتاگرچه DML عملکرد بهتری از SPSM دارد ، اما هیچ روش عملکرد خوبی ندارد ، حتی استفاده از مدلهای یادگیری عمیق انعطاف پذیر برای اجرای تمایل و مدل های نتیجهبالابرهای متوسط RCT 29 ٪ ، 18 ٪ و 5 ٪ برای بالا نتایج قیف میانی و پایین به ترتیب.با استفاده از DML (SPSM) ، میانه بالابر توسط قیف 83 ٪ (173 ٪) ، 58 ٪ (176 ٪) و 24 ٪ (64 ٪) به ترتیب ، خطای اندازه گیری نسبی قابل توجه را نشان می دهد.ما بیشتر توصیف می کنیم شرایطی که تحت آن هر روش نسبتاً بهتر عمل می کند.به طور کلی، با وجود دسترسی به آزمایشات در مقیاس بزرگ و داده های غنی از سطح کاربر ، ما قادر به تخمین قابل اعتماد اثر علیت تبلیغات تبلیغاتی نیست.

Many economic variables feature changes in their conditional mean and volatility, and Time Varying Vector Autoregressive Models are often used to handle such complexity in the data. Unfortunately, when the number of series grows, they present increasing estimation and interpretation problems. This paper tries to address this issue proposing a new Multivariate Autoregressive Index model that features time varying means and volatility. Technically, we develop a new estimation methodology that mix switching algorithms with the forgetting factors strategy of Koop and Korobilis (2012). This substantially reduces the computational burden and allows to select or weight, in real time, the number of common components and other features of the data using Dynamic Model Selection or Dynamic Model Averaging without further computational cost. Using USA macroeconomic data, we provide a structural analysis and a forecasting exercise that demonstrates the feasibility and usefulness of this new model. Keywords: Large datasets, Multivariate Autoregressive Index models, Stochastic volatility, Bayesian VARs.

بسیاری از متغیرهای اقتصادی دارای تغییر در میانگین مشروط آنها و نوسانات ، و زمان های مختلف وکتور از مدلهای خودکار استفاده می شود چنین پیچیدگی هایی را در داده ها انجام دهید.متأسفانه ، هنگامی که تعداد سریال ها رشد می کند ، آنها مشکلات تخمین و تفسیر فزاینده ای را ارائه می دهند.این مقاله سعی می کند به این موضوع بپردازد که یک اتورژیک چند متغیره جدید را پیشنهاد می کند مدل شاخص که دارای زمان و نوسانات متغیر است.از نظر فنی ، ما یک روش تخمین جدید ایجاد کنید که الگوریتم های سوئیچینگ را با استراتژی فاکتورهای فراموشی کوپ و کروبیلیس (2012).این به طور اساسی بار محاسباتی را کاهش می دهد و اجازه می دهد تا در زمان واقعی انتخاب یا وزن را انتخاب کنید تعداد مؤلفه های مشترک و سایر ویژگی های داده ها با استفاده از پویا انتخاب مدل یا میانگین مدل پویا بدون هزینه محاسباتی بیشتر. با استفاده از داده های کلان اقتصادی ایالات متحده ، ما یک تجزیه و تحلیل ساختاری و a ارائه می دهیم تمرین پیش بینی که امکان سنجی و سودمندی این را نشان می دهد مدل جدید. کلمات کلیدی: مجموعه داده های بزرگ ، مدل های شاخص اتورگرایی چند متغیره ، نوسانات تصادفی ، Vars Bayesian.

Price discrimination is a practice where firms utilize varying sensitivities to prices among consumers to increase profits. The welfare effects of price discrimination are not agreed on among economists, but identification of such actions may contribute to our standing of firms' pricing behaviors. In this letter, I use econometric tools to analyze whether Apple Inc, one of the largest companies in the globe, is practicing price discrimination on the basis of socio-economical and geographical factors. My results indicate that iPhones are significantly (p $<$ 0.01) more expensive in markets where competitions are weak or where Apple has a strong market presence. Furthermore, iPhone prices are likely to increase (p $<$ 0.01) in developing countries/regions or markets with high income inequality.

تبعیض قیمت عملی است که شرکت ها از حساسیت های مختلف استفاده می کنند برای افزایش سود در بین مصرف کنندگان.اثرات رفاهی قیمت تبعیض در بین اقتصاددانان مورد توافق قرار نمی گیرد ، بلکه شناسایی چنین مواردی است اقدامات ممکن است به جایگاه ما در رفتارهای قیمت گذاری بنگاهها کمک کند.در این نامه ، من از ابزارهای اقتصاد سنجی برای تجزیه و تحلیل اینکه آیا Apple Inc ، یکی از موارد بزرگترین شرکت های جهان ، بر اساس تبعیض قیمت را انجام می دهد عوامل اقتصادی و اجتماعی و جغرافیایی.نتایج من نشان می دهد که آیفون ها به طور قابل توجهی (p <$ 0.01 $) در بازارهایی که مسابقات هستند گرانتر هستند ضعیف یا جایی که اپل حضور بازار قوی دارد.علاوه بر این ، قیمت آیفون احتمالاً در کشورها/مناطق در حال توسعه یا بازارها (P <0.01 دلار) افزایش می یابد با نابرابری درآمدی بالا

Nonparametric random coefficient (RC)-density estimation has mostly been considered in the marginal density case under strict independence of RCs and covariates. This paper deals with the estimation of RC-densities conditional on a (large-dimensional) set of control variables using machine learning techniques. The conditional RC-density allows to disentangle observable from unobservable heterogeneity in partial effects of continuous treatments adding to a growing literature on heterogeneous effect estimation using machine learning. %It is also informative of the conditional potential outcome distribution. This paper proposes a two-stage sieve estimation procedure. First a closed-form sieve approximation of the conditional RC density is derived where each sieve coefficient can be expressed as conditional expectation function varying with controls. Second, sieve coefficients are estimated with generic machine learning procedures and under appropriate sample splitting rules. The $L_2$-convergence rate of the conditional RC-density estimator is derived. The rate is slower by a factor then typical rates of mean regression machine learning estimators which is due to the ill-posedness of the RC density estimation problem. The performance and applicability of the estimator is illustrated using random forest algorithms over a range of Monte Carlo simulations and with real data from the SOEP-IS. Here behavioral heterogeneity in an economic experiment on portfolio choice is studied. The method reveals two types of behavior in the population, one type complying with economic theory and one not. The assignment to types appears largely based on unobservables not available in the data.

تخمین ضریب تصادفی غیرپارامتری (RC) بیشتر بوده است در مورد چگالی حاشیه ای تحت استقلال شدید RCS و متغیرهای متغیردر این مقاله به تخمین وانتهای RC مشروط بر مجموعه ای از متغیرهای کنترل (با ابعاد بزرگ) با استفاده از یادگیری ماشین تکنیک.چگالی RC مشروط اجازه می دهد تا از آن جدا شود ناهمگونی غیرقابل کنترل در اثرات جزئی از درمان های مداوم اضافه می شود به ادبیات رو به رشد در مورد تخمین اثر ناهمگن با استفاده از دستگاه یادگیری.٪ همچنین از نتیجه بالقوه مشروط آموزنده است توزیعدر این مقاله یک روش تخمین دو مرحله ای ارائه شده است.اولین تقریب الکلی با فرم بسته از چگالی RC شرطی مشتق شده است جایی که هر ضریب غربال می تواند به عنوان انتظار مشروط بیان شود عملکرد با کنترل متفاوت است.دوم ، ضرایب الک با تخمین زده می شود روشهای یادگیری ماشین عمومی و تحت تقسیم نمونه مناسب قوانیننرخ $ L_2 $ -Convergence از برآوردگر چگالی RC مشروط است نشات گرفته.نرخ توسط یک عامل و نرخ معمولی از میانگین رگرسیون کندتر است برآوردگرهای یادگیری ماشین که به دلیل عدم وجود چگالی RC است مشکل تخمینعملکرد و کاربرد برآوردگر است با استفاده از الگوریتم های جنگلی تصادفی در طیف وسیعی از مونت کارلو نشان داده شده است شبیه سازی ها و با داده های واقعی از SOEP-IS.در اینجا ناهمگونی رفتاری در یک آزمایش اقتصادی در مورد انتخاب نمونه کارها مورد بررسی قرار گرفته است.روش نشان می دهد دو نوع رفتار در جمعیت ، یک نوع مطابق با اقتصادی نظریه و یکی نه.تکلیف به انواع تا حد زیادی بر اساس نابسامانی در داده ها در دسترس نیست.

Although multivariate stochastic volatility models usually produce more accurate forecasts compared to the MGARCH models, their estimation techniques such as Bayesian MCMC typically suffer from the curse of dimensionality. We propose a fast and efficient estimation approach for MSV based on a penalized OLS framework. Specifying the MSV model as a multivariate state space model, we carry out a two-step penalized procedure. We provide the asymptotic properties of the two-step estimator and the oracle property of the first-step estimator when the number of parameters diverges. The performances of our method are illustrated through simulations and financial data.

اگرچه مدل های نوسانات تصادفی چند متغیره معمولاً بیشتر تولید می کنند پیش بینی های دقیق در مقایسه با مدل های MGARCH ، تکنیک های تخمین آنها مانند MCMC Bayesian به طور معمول از نفرین ابعاد رنج می برد.ما یک رویکرد تخمین سریع و کارآمد برای MSV را بر اساس یک مجازات پیشنهاد دهید چارچوب OLS.مشخص کردن مدل MSV به عنوان یک مدل فضایی حالت چند متغیره ، ما یک روش مجازات دو مرحله ای را انجام دهید.ما خصوصیات بدون علامت را ارائه می دهیم از برآوردگر دو مرحله ای و خاصیت اوراکل برآوردگر مرحله اول هنگامی که تعداد پارامترها متفاوت می شوند.عملکرد روش ما است از طریق شبیه سازی ها و داده های مالی نشان داده شده است.

The maximum-likelihood estimator of nonlinear panel data models with fixed effects is consistent but asymptotically-biased under rectangular-array asymptotics. The literature has thus far concentrated its effort on devising methods to correct the maximum-likelihood estimator for its bias as a means to salvage standard inferential procedures. Instead, we show that the parametric bootstrap replicates the distribution of the (uncorrected) maximum-likelihood estimator in large samples. This justifies the use of confidence sets constructed via standard bootstrap percentile methods. No adjustment for the presence of bias needs to be made.

برآوردگر حداکثر احتمال مدلهای داده پانل غیرخطی با ثابت اثرات سازگار است اما از نظر نامتناسب در زیر آرایه مستطیل شکل بدون علامتادبیات تاکنون تلاش خود را برای ابداع متمرکز کرده است روشهای اصلاح برآوردگر حداکثر احتمال برای تعصب آن به عنوان ابزاری روشهای استنباطی استاندارد نجات.در عوض ، ما نشان می دهیم که پارامتری Bootstrap توزیع حداکثر احتمال (اصلاح نشده) را تکرار می کند برآوردگر در نمونه های بزرگ.این استفاده از مجموعه های اعتماد به نفس را توجیه می کند ساخته شده از طریق روشهای صدک استاندارد بوت استرپ.بدون تعدیل برای حضور تعصب باید انجام شود.

We propose improved standard errors and an asymptotic distribution theory for two-way clustered panels. Our proposed estimator and theory allow for arbitrary serial dependence in the common time effects, which is excluded by existing two-way methods, including the popular two-way cluster standard errors of Cameron, Gelbach, and Miller (2011) and the cluster bootstrap of Menzel (2021). Our asymptotic distribution theory is the first which allows for this level of inter-dependence among the observations. Under weak regularity conditions, we demonstrate that the least squares estimator is asymptotically normal, our proposed variance estimator is consistent, and t-ratios are asymptotically standard normal, permitting conventional inference. We present simulation evidence that confidence intervals constructed with our proposed standard errors obtain superior coverage performance relative to existing methods. We illustrate the relevance of the proposed method in an empirical application to a standard Fama-French three-factor regression.

ما خطاهای استاندارد بهبود یافته و یک تئوری توزیع بدون علامت را برای پانل های خوشه ای دو طرفه.برآوردگر و نظریه پیشنهادی ما امکان دلخواه را فراهم می کند وابستگی سریال در اثرات زمانی متداول ، که توسط موجود مستثنی است روشهای دو طرفه ، از جمله خطاهای استاندارد خوشه دو طرفه محبوب کامرون ، گلباخ و میلر (2011) و بوت استرپ خوشه منزل (2021). نظریه توزیع بدون علامت ما اولین کسی است که امکان این سطح را فراهم می کند وابستگی بین در بین مشاهدات.در شرایط منظم ضعیف ، ما نشان می دهد که کمترین برآوردگر مربع به صورت مجانبی طبیعی است ، ما برآوردگر واریانس پیشنهادی سازگار است و نسبت های T به صورت بدون علامت هستند استاندارد عادی ، اجازه استنباط معمولی.ما شبیه سازی را ارائه می دهیم شواهدی مبنی بر اینکه فواصل اطمینان با استاندارد پیشنهادی ما ساخته شده است خطاها نسبت به روشهای موجود عملکرد پوشش برتر را بدست می آورند.ما ارتباط روش پیشنهادی را در یک برنامه تجربی نشان دهید رگرسیون استاندارد سه عاملی Fama-French.

Empirical researchers are often interested in not only whether a treatment affects an outcome of interest, but also how the treatment effect arises. Causal mediation analysis provides a formal framework to identify causal mechanisms through which a treatment affects an outcome. The most popular identification strategy relies on so-called sequential ignorability (SI) assumption which requires that there is no unobserved confounder that lies in the causal paths between the treatment and the outcome. Despite its popularity, such assumption is deemed to be too strong in many settings as it excludes the existence of unobserved confounders. This limitation has inspired recent literature to consider an alternative identification strategy based on an instrumental variable (IV). This paper discusses the identification of causal mediation effects in a setting with a binary treatment and a binary instrumental variable that is both assumed to be random. We show that while IV methods allow for the possible existence of unobserved confounders, additional monotonicity assumptions are required unless the strong constant effect is assumed. Furthermore, even when such monotonicity assumptions are satisfied, IV estimands are not necessarily equivalent to target parameters.

محققان تجربی غالباً علاقه مند به درمان نیستند بر نتیجه علاقه تأثیر می گذارد ، اما همچنین چگونه اثر درمانی بوجود می آید. تجزیه و تحلیل میانجیگری علیت یک چارچوب رسمی برای شناسایی علی فراهم می کند مکانیسم هایی که از طریق آن یک درمان بر نتیجه تأثیر می گذارد.محبوب ترین استراتژی شناسایی به به اصطلاح نادانی متوالی (SI) متکی است فرضیه ای که مستلزم آن است که هیچ مخفیانه ای بدون محافظت در آن وجود ندارد مسیرهای علّی بین درمان و نتیجه.علی رغم محبوبیتش ، چنین فرضیه ای در بسیاری از تنظیمات بسیار قوی تلقی می شود زیرا این امر مستثنی است وجود مخدوشان بدون محافظت.این محدودیت الهام بخش اخیر است ادبیات برای در نظر گرفتن یک استراتژی شناسایی جایگزین بر اساس یک متغیر ابزاری (IV).در این مقاله در مورد شناسایی علت بحث شده است اثرات واسطه گری در یک محیط با یک باینری و باینری متغیر ابزاری که هر دو فرض می شود تصادفی است.ما این را نشان می دهیم در حالی که IV روشها امکان وجود احتمالی مخدوشان بدون نظارت ، اضافی را فراهم می کند فرضیات یکنواختی لازم است مگر اینکه اثر ثابت قوی باشد فرض.علاوه بر این ، حتی اگر چنین فرضیات یکنواختی راضی باشد ، IV برآوردها لزوماً معادل پارامترهای هدف نیستند.

We revisit classical asymptotics when testing for a structural break in linear regression models by obtaining the limit theory of residual-based and Wald-type processes. First, we establish the Brownian bridge limiting distribution of these test statistics. Second, we study the asymptotic behaviour of the partial-sum processes in nonstationary (linear) time series regression models. Although, the particular comparisons of these two different modelling environments is done from the perspective of the partial-sum processes, it emphasizes that the presence of nuisance parameters can change the asymptotic behaviour of the functionals under consideration. Simulation experiments verify size distortions when testing for a break in nonstationary time series regressions which indicates that the Brownian bridge limit cannot provide a suitable asymptotic approximation in this case. Further research is required to establish the cause of size distortions under the null hypothesis of parameter stability.

ما در هنگام آزمایش یک شکستگی ساختاری مجانب کلاسیک را مجدداً مورد بررسی قرار می دهیم مدل های رگرسیون خطی با به دست آوردن نظریه حد وصل و مبتنی بر باقیمانده و فرآیندهای نوع والد.اول ، ما محدودیت پل براون را تعیین می کنیم توزیع این آمار آزمون.دوم ، ما بدون علامت مطالعه می کنیم رفتار فرآیندهای جمع جزئی در سری زمانی غیر ایستگاه (خطی) مدل های رگرسیون.اگرچه ، مقایسه های خاص این دو متفاوت است محیط های مدل سازی از منظر جمع جزئی انجام می شود فرآیندها ، تأکید می کند که حضور پارامترهای مزاحمت می تواند تغییر کند رفتار بدون علامت عملکردهای مورد نظر.شبیه سازی آزمایش ها تحریف اندازه را هنگام آزمایش برای استراحت در غیر ایستگاه تأیید می کنند رگرسیون سری زمانی که نشان می دهد محدودیت پل براون نمی تواند در این مورد تقریب مجانبی مناسب ارائه دهید.تحقیقات بیشتر است مورد نیاز برای تعیین علت تحریف اندازه تحت فرضیه تهی ثبات پارامتر

We propose a new parametrization for the estimation and identification of the impulse-response functions (IRFs) of dynamic factor models (DFMs). The theoretical contribution of this paper concerns the problem of observational equivalence between different IRFs, which implies non-identification of the IRF parameters without further restrictions. We show how the previously proposed minimal identification conditions are nested in the new framework and can be further augmented with overidentifying restrictions leading to efficiency gains. The current standard practice for the IRF estimation of DFMs is based on principal components, compared to which the new parametrization is less restrictive and allows for modelling richer dynamics. As the empirical contribution of the paper, we develop an estimation method based on the EM algorithm, which incorporates the proposed identification restrictions. In the empirical application, we use a standard high-dimensional macroeconomic dataset to estimate the effects of a monetary policy shock. We estimate a strong reaction of the macroeconomic variables, while the benchmark models appear to give qualitatively counterintuitive results. The estimation methods are implemented in the accompanying R package.

ما یک پارامتر سازی جدید برای تخمین و شناسایی توابع پاسخ Impulse (IRF) مدل های فاکتور پویا (DFMS).در سهم نظری این مقاله مربوط به مشکل مشاهده است هم ارزی بین IRF های مختلف ، که به معنای عدم شناسایی IRF است پارامترهای بدون محدودیت بیشتر.ما نشان می دهیم که قبلاً پیشنهاد شده است حداقل شرایط شناسایی در چارچوب جدید لانه شده است و می تواند باشد بیشتر با محدودیت های بیش از حد که منجر به کارآیی می شود ، تقویت می شود دستاوردهاروش استاندارد فعلی برای برآورد IRF DFMS بر اساس است مؤلفه های اصلی ، در مقایسه با پارامتر سازی جدید کمتر است محدود کننده و امکان مدل سازی دینامیک غنی تر را فراهم می کند.به عنوان تجربی سهم مقاله ، ما یک روش تخمین را بر اساس EM تهیه می کنیم الگوریتم ، که شامل محدودیت های شناسایی پیشنهادی است.در کاربرد تجربی ، ما از یک مجموعه داده کلان اقتصادی با ابعاد بالا استاندارد استفاده می کنیم برای برآورد اثرات شوک سیاست پولی.ما یک قوی تخمین می زنیم واکنش متغیرهای کلان اقتصادی ، در حالی که مدل های معیار به نظر می رسند نتایج متقابل را به صورت کیفی ارائه دهید.روشهای تخمین هستند در بسته R همراهی اجرا شده است.

Standard methods, such as sequential procedures based on Johansen's (pseudo-)likelihood ratio (PLR) test, for determining the co-integration rank of a vector autoregressive (VAR) system of variables integrated of order one can be significantly affected, even asymptotically, by unconditional heteroskedasticity (non-stationary volatility) in the data. Known solutions to this problem include wild bootstrap implementations of the PLR test or the use of an information criterion, such as the BIC, to select the co-integration rank. Although asymptotically valid in the presence of heteroskedasticity, these methods can display very low finite sample power under some patterns of non-stationary volatility. In particular, they do not exploit potential efficiency gains that could be realised in the presence of non-stationary volatility by using adaptive inference methods. Under the assumption of a known autoregressive lag length, Boswijk and Zu (2022) develop adaptive PLR test based methods using a non-parameteric estimate of the covariance matrix process. It is well-known, however, that selecting an incorrect lag length can significantly impact on the efficacy of both information criteria and bootstrap PLR tests to determine co-integration rank in finite samples. We show that adaptive information criteria-based approaches can be used to estimate the autoregressive lag order to use in connection with bootstrap adaptive PLR tests, or to jointly determine the co-integration rank and the VAR lag length and that in both cases they are weakly consistent for these parameters in the presence of non-stationary volatility provided standard conditions hold on the penalty term. Monte Carlo simulations are used to demonstrate the potential gains from using adaptive methods and an empirical application to the U.S. term structure is provided.

روشهای استاندارد ، مانند روشهای متوالی بر اساس یوهانسن (شبه) آزمون نسبت احتمال (PLR) ، برای تعیین رتبه همبستگی از یک سیستم وکتور اتورگرایی (VAR) متغیرهای یکپارچه از سفارش One می توان به طور قابل توجهی ، حتی بدون علامت ، توسط بی قید و شرط تحت تأثیر قرار گرفت ناهمگونی (نوسانات غیر ثابت) در داده ها.راه حل های شناخته شده برای این مشکل شامل اجرای بوت استرپ وحشی تست PLR یا استفاده است از معیار اطلاعاتی مانند BIC ، برای انتخاب همبستگی رتبهاگرچه در حضور ناهمگونی به صورت مجانبی معتبر است ، این روشها می توانند قدرت نمونه محدود بسیار کم را در برخی از الگوهای نشان دهند نوسانات غیر ثابت.به ویژه ، آنها از پتانسیل سوء استفاده نمی کنند دستاوردهای بهره وری که می تواند در حضور غیر ثابت تحقق یابد نوسانات با استفاده از روشهای استنتاج تطبیقی.با فرض شناخته شده طول تاخیر خودکار ، Boswijk و Zu (2022) تست PLR سازگار روشهای مبتنی بر برآورد غیر پارامتری از ماتریس کواریانس روند.با این حال مشهور است که انتخاب یک طول تاخیر نادرست می تواند تأثیر قابل توجهی در اثربخشی معیارهای اطلاعات و بوت استرپ تست های PLR برای تعیین رتبه همبستگی در نمونه های محدود.ما نشان می دهیم که از رویکردهای مبتنی بر معیارهای اطلاعات سازگار می توان برای برآورد استفاده کرد به ترتیب تاخیر خودکار برای استفاده در ارتباط با PLR تطبیقی bootstrap آزمون ها ، یا برای تعیین مشترک رتبه ادغام و طول تاخیر VAR و این که در هر دو مورد ضعیف برای این پارامترها در وجود نوسانات غیر ثابت شرایط استاندارد را در اختیار دارد مدت مجازاتاز شبیه سازی های مونت کارلو برای نشان دادن پتانسیل استفاده می شود سود حاصل از استفاده از روشهای تطبیقی و یک کاربرد تجربی در اصطلاح ایالات متحده ساختار ارائه شده است.

In this paper, we study difference-in-differences identification and estimation strategies where the parallel trends assumption holds after conditioning on time-varying covariates and/or time-invariant covariates. Our first main contribution is to point out a number of weaknesses of commonly used two-way fixed effects (TWFE) regressions in this context. In addition to issues related to multiple periods and variation in treatment timing that have been emphasized in the literature, we show that, even in the case with only two time periods, TWFE regressions are not generally robust to (i) paths of untreated potential outcomes depending on the level of time-varying covariates (as opposed to only the change in the covariates over time), (ii) paths of untreated potential outcomes depending on time-invariant covariates, and (iii) violations of linearity conditions for outcomes over time and/or the propensity score. Even in cases where none of the previous three issues hold, we show that TWFE regressions can suffer from negative weighting and weight-reversal issues. Thus, TWFE regressions can deliver misleading estimates of causal effect parameters in a number of empirically relevant cases. Second, we extend these arguments to the case of multiple periods and variation in treatment timing. Third, we provide simple diagnostics for assessing the extent of misspecification bias arising due to TWFE regressions. Finally, we propose alternative (and simple) estimation strategies that can circumvent these issues with two-way fixed regressions.

در این مقاله ، ما شناسایی تفاوت در تمایزها را بررسی می کنیم و استراتژی های تخمین که فرض روندهای موازی پس از آن وجود دارد تهویه بر روی متغیرهای متغیر متغیر و/یا متغیرهای متغیر متغیر.ما اولین سهم اصلی این است که به تعدادی از نقاط ضعف استفاده شده استفاده شود رگرسیون اثرات ثابت دو طرفه (TWFE) در این زمینه.علاوه بر مسائل مربوط به چندین دوره و تغییر در زمان بندی درمانی که بوده است در ادبیات تأکید کرده است ، ما نشان می دهیم که ، حتی در مورد فقط با دو زمان دوره ها ، رگرسیون TWFE به طور کلی در مسیرهای (i) مسیرهای درمان نشده قوی نیست نتایج بالقوه بسته به سطح متغیرهای متغیر زمان (به عنوان بر خلاف تنها تغییر در متغیرهای متغیر به مرور زمان) ، (ب) مسیرهای نتایج بالقوه درمان نشده بسته به متغیرهای متغیر زمان ، و (III) نقض شرایط خطی برای نتایج با گذشت زمان و/یا گرایش نمره.حتی در مواردی که هیچ یک از سه موضوع قبلی وجود ندارد ، ما این را نشان می دهیم رگرسیون TWFE می تواند از وزن منفی و مشکلات معکوس وزن رنج ببرد. بنابراین ، رگرسیون TWFE می تواند برآوردهای گمراه کننده اثر علی را ارائه دهد پارامترها در تعدادی از موارد تجربی مرتبط است.دوم ، ما اینها را گسترش می دهیم استدلال در مورد چندین دوره و تغییر در زمان بندی درمان. سوم ، ما تشخیص ساده ای را برای ارزیابی میزان ارائه می دهیم تعصب شناسایی اشتباه ناشی از رگرسیون TWFE.سرانجام ، ما پیشنهاد می کنیم استراتژی های تخمین جایگزین (و ساده) که می تواند این مسائل را دور بزند با رگرسیون ثابت دو طرفه.

Since the Great Financial Crisis (GFC), the use of stress tests as a tool for assessing the resilience of financial institutions to adverse financial and economic developments has increased significantly. One key part in such exercises is the translation of macroeconomic variables into default probabilities for credit risk by using macrofinancial linkage models. A key requirement for such models is that they should be able to properly detect signals from a wide array of macroeconomic variables in combination with a mostly short data sample. The aim of this paper is to compare a great number of different regression models to find the best performing credit risk model. We set up an estimation framework that allows us to systematically estimate and evaluate a large set of models within the same environment. Our results indicate that there are indeed better performing models than the current state-of-the-art model. Moreover, our comparison sheds light on other potential credit risk models, specifically highlighting the advantages of machine learning models and forecast combinations.

از آنجا که بحران بزرگ مالی (GFC) ، استفاده از تست های استرس به عنوان ابزاری برای ارزیابی مقاومت مؤسسات مالی با مالی نامطلوب و تحولات اقتصادی به میزان قابل توجهی افزایش یافته است.یک بخش کلیدی در چنین مواردی تمرینات ترجمه متغیرهای کلان اقتصادی به طور پیش فرض است احتمالات برای ریسک اعتباری با استفاده از مدل های پیوند ماکروفیسی.یک کلید نیاز به چنین مدلهایی این است که آنها باید بتوانند به درستی تشخیص دهند سیگنال های طیف گسترده ای از متغیرهای کلان اقتصادی در ترکیب با a بیشتر نمونه داده های کوتاه.هدف این مقاله مقایسه تعداد زیادی از مدل های رگرسیون مختلف برای یافتن بهترین مدل ریسک اعتباری.ما یک چارچوب تخمین را تنظیم کنید که به ما امکان تخمین سیستماتیک را می دهد و مجموعه بزرگی از مدل ها را در همان محیط ارزیابی کنید.نتایج ما نشان می دهد که در واقع مدلهای عملکرد بهتری نسبت به جریان وجود دارد مدل پیشرفته.علاوه بر این ، مقایسه ما بر پتانسیل های دیگر روشن می شود مدل های ریسک اعتباری ، به طور خاص برجسته مزایای دستگاه مدل های یادگیری و ترکیبات پیش بینی.

In dynamic discrete choice (DDC) analysis, it is common to use mixture models to control for unobserved heterogeneity. However, consistent estimation typically requires both restrictions on the support of unobserved heterogeneity and a high-level injectivity condition that is difficult to verify. This paper provides primitive conditions for point identification of a broad class of DDC models with multivariate continuous permanent unobserved heterogeneity. The results apply to both finite- and infinite-horizon DDC models, do not require a full support assumption, nor a long panel, and place no parametric restriction on the distribution of unobserved heterogeneity. In addition, I propose a seminonparametric estimator that is computationally attractive and can be implemented using familiar parametric methods.

در تجزیه و تحلیل انتخاب گسسته پویا (DDC) ، استفاده از مدل های مخلوط معمول است برای کنترل ناهمگونی بدون محافظت.با این حال ، برآورد مداوم به طور معمول به هر دو محدودیت در حمایت از ناهمگونی بدون نظارت نیاز دارد و یک وضعیت تزریق سطح بالا که تأیید آن دشوار است.این کاغذ شرایط ابتدایی را برای شناسایی نقطه طبقه گسترده DDC فراهم می کند مدلهایی با ناهمگونی بدون نظارت مداوم چند متغیره.در نتایج برای هر دو مدل DDC محدود و نامتناهی-Horizon اعمال می شود ، نیازی به فرض کامل پشتیبانی ، و نه یک پانل طولانی ، و محدودیت پارامتری را قرار دهید در توزیع ناهمگونی بدون نظارت.علاوه بر این ، من پیشنهاد می کنم برآوردگر Seminonparametric که از نظر محاسباتی جذاب است و می تواند باشد با استفاده از روشهای پارامتری آشنا پیاده سازی شده است.

We consider the estimation of a dynamic distribution regression panel data model with heterogeneous coefficients across units. The objects of primary interest are specific functionals of these coefficients. These include predicted actual and stationary distributions of the outcome variable and quantile treatment effects. Coefficients and their functionals are estimated via fixed effect methods. We investigate how these functionals vary in response to changes in initial conditions or covariate values. We also identify a uniformity issue related to the robustness of inference to the unknown degree of heterogeneity, and propose a cross-sectional bootstrap method for uniformly valid inference on function-valued objects. Employing PSID annual labor income data we illustrate some important empirical issues we can address. We first quantify the impact of a negative labor income shock on the distribution of future labor income. We also examine the impact on the distribution of labor income from increasing the education level of a chosen group of workers. Finally, we demonstrate the existence of heterogeneity in income mobility, and how this leads to substantial variation in individuals' incidences to be trapped in poverty. We also provide simulation evidence confirming that our procedures work well.

ما تخمین داده های پانل رگرسیون توزیع پویا را در نظر می گیریم مدل با ضرایب ناهمگن در واحدها.اشیاء اولیه علاقه عملکردهای خاصی از این ضرایب است.این شامل توزیع واقعی و ثابت از متغیر نتیجه را پیش بینی کرد اثرات درمانی کمی.ضرایب و عملکرد آنها تخمین زده می شود از طریق روش های اثر ثابت.ما بررسی می کنیم که چگونه این عملکردها در پاسخ متفاوت هستند به تغییر در شرایط اولیه یا مقادیر متغیر.ما همچنین شناسایی می کنیم مسئله یکنواختی مربوط به استحکام استنباط به درجه ناشناخته ناهمگونی ، و یک روش بوت استرپ مقطعی را برای یکنواخت پیشنهاد می کند استنتاج معتبر در اشیاء با ارزش عملکرد.استفاده از درآمد سالانه PSID ما داده ها برخی از موضوعات مهم تجربی را که می توانیم به آنها بپردازیم ، نشان می دهیم.ما اول تأثیر شوک درآمدی منفی کار را در توزیع کمیت کنید درآمد کار آینده.ما همچنین تأثیر توزیع نیروی کار را بررسی می کنیم درآمد حاصل از افزایش سطح تحصیلات یک گروه انتخاب شده از کارگران. سرانجام ، ما وجود ناهمگونی در تحرک درآمد را نشان می دهیم ، و چگونه این منجر به تغییر اساسی در بروز افراد می شود به دام افتاده در فقر.ما همچنین شواهد شبیه سازی را تأیید می کنیم که تأیید می کند رویه ها خوب کار می کنند.

The von Mises-Fisher family is a parametric family of distributions on the surface of the unit ball, summarised by a concentration parameter and a mean direction. As a quasi-Bayesian prior, the von Mises-Fisher distribution is a convenient and parsimonious choice when parameter spaces are isomorphic to the hypersphere (e.g., maximum score estimation in semi-parametric discrete choice, estimation of single-index treatment assignment rules via empirical welfare maximisation, under-identifying linear simultaneous equation models). Despite a long history of application, measures of statistical divergence have not been analytically characterised for von Mises-Fisher distributions. This paper provides analytical expressions for the $f$-divergence of a von Mises-Fisher distribution from another, distinct, von Mises-Fisher distribution in $\mathbb{R}^p$ and the uniform distribution over the hypersphere. This paper also collect several other results pertaining to the von Mises-Fisher family of distributions, and characterises the limiting behaviour of the measures of divergence that we consider.

خانواده فون میزس-فیشر یک خانواده پارامتری توزیع در سطح توپ واحد ، خلاصه شده توسط یک پارامتر غلظت و میانگین جهت.به عنوان یک شبه بیزیایی قبلی ، توزیع فون میزس-فیشر یک است انتخاب مناسب و پارسا وقتی که فضاهای پارامتر برای hypersphere (به عنوان مثال ، حداکثر تخمین نمره در انتخاب گسسته نیمه پارامتری ، تخمین قوانین تکالیف درمانی تک شاخص از طریق رفاه تجربی حداکثر ، مدلهای معادله همزمان خطی زیر شناسایی).با وجود تاریخ طولانی کاربرد ، اقدامات واگرایی آماری نبوده است از نظر تحلیلی برای توزیع فون میزس-فیشر مشخص شده است.این کاغذ عبارات تحلیلی را برای $ $-divergence یک فون میزس-فیشر فراهم می کند توزیع از توزیع دیگر ، متمایز ، فون میزس-فیشر در $ \ mathbb {r}^p $ و توزیع یکنواخت از طریق hypersphere.این کاغذ همچنین چندین نتیجه دیگر مربوط به خانواده فون میزس-فیشر را جمع آوری کنید توزیع ، و رفتار محدود کننده اقدامات را مشخص می کند واگرایی که ما در نظر می گیریم.

Modern macroeconometrics often relies on time series models for which it is time-consuming to evaluate the likelihood function. We demonstrate how Bayesian computations for such models can be drastically accelerated by reweighting and mutating posterior draws from an approximating model that allows for fast likelihood evaluations, into posterior draws from the model of interest, using a sequential Monte Carlo (SMC) algorithm. We apply the technique to the estimation of a vector autoregression with stochastic volatility and a nonlinear dynamic stochastic general equilibrium model. The runtime reductions we obtain range from 27% to 88%.

اقتصاد کلان مدرن اغلب به مدل های سری زمانی متکی است که برای آن وجود دارد وقت گیر برای ارزیابی عملکرد احتمال.ما نشان می دهیم که چگونه بیزی محاسبات برای چنین مدلهایی با استفاده از وزن گیری مجدد می تواند به شدت تسریع شود جهش خلفی از یک مدل تقریبی که سریعاً امکان پذیر است ارزیابی احتمال ، به قرعه کشی خلفی از مدل مورد علاقه ، با استفاده از یک الگوریتم متوالی مونت کارلو (SMC).ما تکنیک را در تخمین اتمام وکتور با نوسانات تصادفی و الف مدل تعادل عمومی تصادفی غیرخطی.کاهش زمان اجرا ما از 27 ٪ تا 88 ٪ به دست می آوریم.

We propose a new approach to the semiparametric analysis of panel data binary choice models with fixed effects and dynamics (lagged dependent variables). The model we consider has the same random utility framework as in Honore and Kyriazidou (2000). We demonstrate that, with additional serial dependence conditions on the process of deterministic utility and tail restrictions on the error distribution, the (point) identification of the model can proceed in two steps, and only requires matching the value of an index function of explanatory variables over time, as opposed to that of each explanatory variable. Our identification approach motivates an easily implementable, two-step maximum score (2SMS) procedure -- producing estimators whose rates of convergence, in contrast to Honore and Kyriazidou's (2000) methods, are independent of the model dimension. We then derive the asymptotic properties of the 2SMS procedure and propose bootstrap-based distributional approximations for inference. Monte Carlo evidence indicates that our procedure performs adequately in finite samples.

ما یک رویکرد جدید برای تجزیه و تحلیل نیمهرامتری باینری داده های پانل پیشنهاد می کنیم مدل های انتخاب با اثرات ثابت و پویایی (متغیرهای وابسته به عقب).در مدلی که ما در نظر می گیریم همان چارچوب ابزار تصادفی مشابه را در افتخار و کیریازیدو (2000).ما نشان می دهیم که با وابستگی سریال اضافی شرایط مربوط به فرآیند ابزار تعیین کننده و محدودیت های دم در توزیع خطا ، شناسایی (نقطه) مدل می تواند به دو صورت ادامه یابد مراحل ، و فقط نیاز به تطبیق ارزش یک عملکرد شاخص توضیحی دارد متغیرها با گذشت زمان ، بر خلاف هر متغیر توضیحی.ما رویکرد شناسایی حداکثر دو مرحله ای به راحتی قابل اجرا و به راحتی قابل اجرا است روش (2 ثانیه) روش - تولید برآوردگرانی که نرخ همگرایی آنها در تضاد با افتخارات و روشهای کیریازیدو (2000) ، مستقل از ابعاد مدلما سپس خصوصیات بدون علامت روش 2Sms را استخراج می کنیم و تقریب توزیع مبتنی بر bootstrap را برای استنتاج پیشنهاد دهید.مونت شواهد کارلو نشان می دهد که رویه ما به اندازه کافی در محدود عمل می کند نمونه ها.

We consider the construction of confidence intervals for treatment effects estimated using panel models with interactive fixed effects. We first use the factor-based matrix completion technique proposed by Bai and Ng (2021) to estimate the treatment effects, and then use bootstrap method to construct confidence intervals of the treatment effects for treated units at each post-treatment period. Our construction of confidence intervals requires neither specific distributional assumptions on the error terms nor large number of post-treatment periods. We also establish the validity of the proposed bootstrap procedure that these confidence intervals have asymptotically correct coverage probabilities. Simulation studies show that these confidence intervals have satisfactory finite sample performances, and empirical applications using classical datasets yield treatment effect estimates of similar magnitudes and reliable confidence intervals.

ما ساخت فواصل اطمینان را برای اثرات درمانی در نظر می گیریم تخمین زده می شود با استفاده از مدل های پانل با اثرات ثابت تعاملی.ما ابتدا از تکنیک تکمیل ماتریس مبتنی بر فاکتور پیشنهاد شده توسط BAI و NG (2021) به اثرات درمانی را تخمین بزنید ، و سپس از روش bootstrap برای ساخت استفاده کنید فواصل اطمینان از اثرات درمانی برای واحدهای تحت درمان در هر یک دوره پس از درمان.ساخت و ساز ما از فواصل اطمینان نیاز دارد نه فرضیات توزیع خاص در مورد شرایط خطا و نه تعداد زیادی دوره های پس از درمانما همچنین اعتبار پیشنهادی را تعیین می کنیم روش bootstrap که این فواصل اطمینان از نظر بدون علامت صحیح است احتمالات پوشش.مطالعات شبیه سازی نشان می دهد که این فواصل اطمینان عملکرد نمونه محدود و رضایت بخش و برنامه های تجربی با استفاده از مجموعه داده های کلاسیک برآورد اثر درمانی از بزرگی مشابه و فواصل اعتماد به نفس قابل اعتماد.

The multinomial probit model is often used to analyze choice behaviour. However, estimation with existing Markov chain Monte Carlo (MCMC) methods is computationally costly, which limits its applicability to large choice data sets. This paper proposes a variational Bayes method that is accurate and fast, even when a large number of choice alternatives and observations are considered. Variational methods usually require an analytical expression for the unnormalized posterior density and an adequate choice of variational family. Both are challenging to specify in a multinomial probit, which has a posterior that requires identifying restrictions and is augmented with a large set of latent utilities. We employ a spherical transformation on the covariance matrix of the latent utilities to construct an unnormalized augmented posterior that identifies the parameters, and use the conditional posterior of the latent utilities as part of the variational family. The proposed method is faster than MCMC, and can be made scalable to both a large number of choice alternatives and a large number of observations. The accuracy and scalability of our method is illustrated in numerical experiments and real purchase data with one million observations.

از مدل پروبیت چند عیار اغلب برای تجزیه و تحلیل رفتار انتخاب استفاده می شود. با این حال ، تخمین با روش های زنجیره ای مارکوف موجود مونت کارلو (MCMC) است از نظر محاسباتی پرهزینه ، که کاربرد آن را در داده های انتخاب بزرگ محدود می کند مجموعهدر این مقاله یک روش متنوع Bayes ارائه شده است که دقیق و سریع است ، حتی وقتی تعداد زیادی از گزینه ها و مشاهدات انتخابی انتخاب شوند در نظر گرفته شده.روشهای متنوع معمولاً برای بیان تحلیلی نیاز دارند چگالی خلفی غیر طبیعی و انتخاب کافی از تغییر خانواده.هر دو برای مشخص کردن در یک پروبیت چندگانه ، که دارای یک است ، چالش برانگیز است خلفی که نیاز به شناسایی محدودیت دارد و با یک بزرگ افزوده می شود مجموعه برنامه های نهفته.ما از یک تحول کروی در کواریانس استفاده می کنیم ماتریس از برنامه های نهفته برای ساخت خلفی افزوده غیر طبیعی که پارامترها را مشخص می کند و از خلفی مشروط نهفته استفاده می کند آب و برق به عنوان بخشی از خانواده متنوع.روش پیشنهادی سریعتر از MCMC ، و می تواند برای هر دو تعداد زیادی از گزینه های انتخابی مقیاس پذیر باشد و تعداد زیادی از مشاهداتصحت و مقیاس پذیری روش ما در آزمایش های عددی و داده های خرید واقعی با یک میلیون نشان داده شده است مشاهدات

We propose a novel variational Bayes approach to estimate high-dimensional vector autoregression (VAR) models with hierarchical shrinkage priors. Our approach does not rely on a conventional structural VAR representation of the parameter space for posterior inference. Instead, we elicit hierarchical shrinkage priors directly on the matrix of regression coefficients so that (1) the prior structure directly maps into posterior inference on the reduced-form transition matrix, and (2) posterior estimates are more robust to variables permutation. An extensive simulation study provides evidence that our approach compares favourably against existing linear and non-linear Markov Chain Monte Carlo and variational Bayes methods. We investigate both the statistical and economic value of the forecasts from our variational inference approach within the context of a mean-variance investor allocating her wealth in a large set of different industry portfolios. The results show that more accurate estimates translate into substantial statistical and economic out-of-sample gains. The results hold across different hierarchical shrinkage priors and model dimensions.

ما یک رویکرد جدید Bayes را برای برآورد با ابعاد بالا پیشنهاد می کنیم مدل های وکتور Autoregression (VAR) با مقدمات انقباض سلسله مراتبی.ما رویکرد به بازنمایی VAR ساختاری متداول متکی نیست فضای پارامتر برای استنباط خلفی.در عوض ، ما سلسله مراتبی را استخراج می کنیم Priors کوچک شدن به طور مستقیم بر روی ماتریس ضرایب رگرسیون به طوری که (1) ساختار قبلی به طور مستقیم به استنتاج خلفی در شکل کاهش یافته نقشه می کند ماتریس انتقال ، و (2) تخمین های خلفی نسبت به متغیرها قوی تر هستند بازگرداندنیک مطالعه شبیه سازی گسترده شواهدی را ارائه می دهد که رویکرد ما مقایسه مطلوب در برابر زنجیره خطی و غیر خطی مارکوف مونته موجود روشهای کارلو و متغیر بیز.ما هم آماری را بررسی می کنیم ارزش اقتصادی پیش بینی ها از رویکرد استنتاج متغیر ما در درون زمینه یک سرمایه گذار متوسط واریانس که ثروت خود را در مجموعه بزرگی از آن اختصاص می دهد پرتفوی صنعت مختلف.نتایج نشان می دهد که تخمین های دقیق تر به دستاوردهای آماری و اقتصادی قابل توجهی در خارج از نمونه ترجمه کنید.در نتایج در بین مقدمات و مدل های کوچک سلسله مراتبی مختلف وجود دارد ابعاد

Subsidies are commonly used to encourage behaviors that can lead to short- or long-term benefits. Typical examples include subsidized job training programs and provisions of preventive health products, in which both behavioral responses and associated gains can exhibit heterogeneity. This study uses the marginal treatment effect (MTE) framework to study personalized assignments of subsidies based on individual characteristics. First, we derive the optimality condition for a welfare-maximizing subsidy rule by showing that the welfare can be represented as a function of the MTE. Next, we show that subsidies generally result in better welfare than directly mandating the encouraged behavior because subsidy rules implicitly target individuals through unobserved heterogeneity in the behavioral response. When there is positive selection, that is, when individuals with higher returns are more likely to select the encouraged behavior, the optimal subsidy rule achieves the first-best welfare, which is the optimal welfare if a policy-maker can observe individuals' private information. We then provide methods to (partially) identify the optimal subsidy rule when the MTE is identified and unidentified. Particularly, positive selection allows for the point identification of the optimal subsidy rule even when the MTE curve is not. As an empirical application, we study the optimal wage subsidy using the experimental data from the Jordan New Opportunities for Women pilot study.

یارانه ها معمولاً برای تشویق رفتارهایی که می توانند منجر به کوتاه مدت شوند استفاده می شود مزایای بلند مدتمثالهای معمولی شامل برنامه های آموزش شغلی یارانه ای است و مفاد محصولات بهداشتی پیشگیرانه ، که در آن هر دو رفتاری پاسخ ها و دستاوردهای مرتبط می توانند ناهمگونی را نشان دهند.این مطالعه از چارچوب اثر درمانی حاشیه ای (MTE) برای مطالعه تکالیف شخصی از یارانه ها بر اساس خصوصیات فردی.اول ، ما بهینه را استخراج می کنیم شرط قانون یارانه حداکثر رفاهی با نشان دادن اینکه رفاه می تواند به عنوان تابعی از MTE نشان داده می شود.بعد ، ما به طور کلی یارانه ها را نشان می دهیم منجر به رفاه بهتر از آن می شود که مستقیماً رفتار تشویق شده را الزامی کنید زیرا قوانین یارانه به طور ضمنی افراد را از طریق بدون نظارت هدف قرار می دهد ناهمگونی در پاسخ رفتاری.وقتی انتخاب مثبت وجود دارد ، یعنی وقتی افراد با بازده بالاتر احتمالاً انتخاب می کنند رفتار تشویق شده ، قانون یارانه بهینه به اولین بهزیستی دست می یابد ، که اگر یک سیاست گذار بتواند خصوصی افراد را رعایت کند ، رفاه بهینه است اطلاعاتما سپس روش هایی را برای شناسایی (جزئی) بهینه ارائه می دهیم قانون یارانه هنگامی که MTE شناسایی و ناشناس می شود.به ویژه، انتخاب مثبت امکان شناسایی نقطه یارانه بهینه را فراهم می کند قانون حتی وقتی منحنی MTE نیست.به عنوان یک کاربرد تجربی ، ما مطالعه می کنیم یارانه دستمزد بهینه با استفاده از داده های تجربی اردن جدید فرصت ها برای مطالعه آزمایشی زنان.

The relationship between inflation and predictors such as unemployment is potentially nonlinear with a strength that varies over time, and prediction errors error may be subject to large, asymmetric shocks. Inspired by these concerns, we develop a model for inflation forecasting that is nonparametric both in the conditional mean and in the error using Gaussian and Dirichlet processes, respectively. We discuss how both these features may be important in producing accurate forecasts of inflation. In a forecasting exercise involving CPI inflation, we find that our approach has substantial benefits, both overall and in the left tail, with nonparametric modeling of the conditional mean being of particular importance.

رابطه تورم و پیش بینی کننده هایی مانند بیکاری است به طور بالقوه غیرخطی با قدرتی که با گذشت زمان و پیش بینی متفاوت است خطای خطاها ممکن است در معرض شوکهای بزرگ و نامتقارن باشد.با الهام از اینها نگرانی ، ما مدلی برای پیش بینی تورم ایجاد می کنیم که غیرپارامتری است هم در میانگین مشروط و هم در خطا با استفاده از گاوسی و دیریکلت به ترتیب فرآیندها.ما بحث می کنیم که چگونه هر دو ویژگی ممکن است در آن مهم باشند پیش بینی دقیق تورم.در یک تمرین پیش بینی کننده تورم CPI ، می فهمیم که رویکرد ما دارای مزایای قابل توجهی است ، هر دو به طور کلی و در دم چپ ، با مدل سازی غیرپارامتری از میانگین مشروط از اهمیت ویژه ای

I present a new estimation procedure for production functions with latent group structures. I consider production functions that are heterogeneous across groups but time-homogeneous within groups, and where the group membership of the firms is unknown. My estimation procedure is fully data-driven and embeds recent identification strategies from the production function literature into the classifier-Lasso. Simulation experiments demonstrate that firms are assigned to their correct latent group with probability close to one. I apply my estimation procedure to a panel of Chilean firms and find sizable differences in the estimates compared to the standard approach of classification by industry.

من یک روش تخمین جدید برای توابع تولید با نهفته ارائه می دهم ساختارهای گروهی.من توابع تولید را ناهمگن در نظر می گیرم گروه ها اما زمان همگن در گروه ها ، و عضویت گروه در آن بنگاهها ناشناخته است.روش تخمین من کاملاً داده محور و جاسازی شده است استراتژی های شناسایی اخیر از ادبیات عملکرد تولید به طبقه بندی کننده-لاسو.آزمایش های شبیه سازی نشان می دهد که شرکت ها هستند به گروه نهفته صحیح خود با احتمال نزدیک به یک نفر اختصاص داده شده است.من اقدام می کنم روش تخمین من به پانل بنگاه های شیلی و پیدا کردن قابل توجه است تفاوت در تخمین ها در مقایسه با رویکرد استاندارد طبقه بندی بر اساس صنعت.

When using dyadic data (i.e., data indexed by pairs of units), researchers typically assume a linear model, estimate it using Ordinary Least Squares and conduct inference using ``dyadic-robust" variance estimators. The latter assumes that dyads are uncorrelated if they do not share a common unit (e.g., if the same individual is not present in both pairs of data). We show that this assumption does not hold in many empirical applications because indirect links may exist due to network connections, generating correlated outcomes. Hence, ``dyadic-robust'' estimators can be biased in such situations. We develop a consistent variance estimator for such contexts by leveraging results in network statistics. Our estimator has good finite sample properties in simulations, while allowing for decay in spillover effects. We illustrate our message with an application to politicians' voting behavior when they are seating neighbors in the European Parliament.

محققان هنگام استفاده از داده های رنگ آمیزی (به عنوان مثال ، داده های فهرست بندی شده توسط جفت واحدها) به طور معمول یک مدل خطی را فرض کنید ، آن را با استفاده از حداقل مربعات معمولی تخمین بزنید و استنباط را با استفاده از برآوردگرهای واریانس `` yadic-robust "انجام دهید. دومی فرض می کند که اگر یک واحد مشترک به اشتراک نگذارند ، رنگها با هم ارتباط ندارند (به عنوان مثال ، اگر همان فرد در هر دو جفت داده وجود نداشته باشد).ما نشان می دهیم که این فرض در بسیاری از برنامه های تجربی وجود ندارد زیرا پیوندهای غیرمستقیم ممکن است به دلیل اتصالات شبکه وجود داشته باشد و نتایج همبسته ایجاد کند.از این رو ، برآوردگرهای "dyadic-robust" می توانند در چنین شرایطی مغرضانه باشند.ما توسعه می دهیم برآوردگر واریانس مداوم برای چنین زمینه هایی با استفاده از نتایج در آمار شبکه.برآوردگر ما دارای خواص نمونه محدود خوبی در است شبیه سازی ها ، در حالی که امکان پوسیدگی در اثرات سرریز را فراهم می کند.ما خود را نشان می دهیم پیام با درخواست به رفتار رای گیری سیاستمداران وقتی که هستند همسایگان در پارلمان اروپا.

The literature often relies on moment-based measures of earnings risk, such as the variance, skewness, and kurtosis (e.g., Guvenen, Karahan, Ozkan, and Song, 2019, Econometrica). However, such moments may not exist in the population under heavy-tailed distributions. We empirically show that the population kurtosis, skewness, and even variance often fail to exist for the conditional distribution of earnings growths. This evidence may invalidate the moment-based analyses in the literature. In this light, we propose conditional Pareto exponents as novel measures of earnings risk that are robust against non-existence of moments, and develop estimation and inference methods. Using these measures with an administrative data set for the UK, the New Earnings Survey Panel Dataset (NESPD), and the US Panel Study of Income Dynamics (PSID), we quantify the tail heaviness of the conditional distributions of earnings changes given age, gender, and past earnings. Our main findings are that: 1) the aforementioned moments fail to exist; 2) earnings risk is increasing over the life cycle; 3) job stayers are more vulnerable to earnings risk, and 4) these patterns appear in both the period 2007-2008 of the great recession and the period 2015-2016 of positive growth among others.

ادبیات اغلب به اقدامات مبتنی بر لحظه ریسک درآمدی متکی است ، از این دست به عنوان واریانس ، پوستی و کورتوز (به عنوان مثال ، Guvenen ، Karahan ، Ozkan ، و آهنگ ، 2019 ، اقتصاد سنجی).با این حال ، چنین لحظاتی ممکن است در جمعیت تحت توزیع های سنگینما به صورت تجربی نشان می دهیم که Kurtosis ، skewness و حتی واریانس غالباً برای این امر وجود ندارد توزیع مشروط رشد درآمد.این شواهد ممکن است این را باطل کند تجزیه و تحلیل مبتنی بر لحظه در ادبیات.در این نور ، ما مشروط را پیشنهاد می کنیم مأمورین پارتو به عنوان اقدامات جدید خطر درآمدی که در برابر آن قوی هستند عدم وجود لحظات و توسعه روشهای تخمین و استنباط. با استفاده از این اقدامات با مجموعه داده های اداری برای انگلیس ، جدید مجموعه داده های پانل بررسی درآمد (NESPD) ، و مطالعه پانل ایالات متحده در مورد درآمد دینامیک (PSID) ، ما سنگین دم مشروط را تعیین می کنیم توزیع تغییرات درآمد با توجه به سن ، جنس و درآمد گذشته.ما یافته های اصلی این است که: 1) لحظات فوق الذکر وجود ندارند.2) خطر درآمد در طول چرخه زندگی در حال افزایش است.3) اقامتگاه شغلی بیشتر است در برابر خطر درآمد آسیب پذیر است ، و 4) این الگوها در هر دو دوره ظاهر می شوند 2007-2008 از رکود بزرگ و دوره 2015-2016 رشد مثبت بین دیگران.

Finding valid instruments is difficult. We propose Validity Set Instrumental Variable (VSIV) estimation, a method for estimating treatment effects when the instruments are partially invalid. VSIV estimation exploits testable implications for instrument validity to remove invalid variation in the instruments. We show that the proposed VSIV estimators are asymptotically normal under weak conditions and always remove or reduce the asymptotic bias relative to standard IV estimators. We apply VSIV estimation to estimate the returns to schooling using the quarter of birth instrument.

یافتن ابزارهای معتبر دشوار است.ما مجموعه اعتبار را ابزاری پیشنهاد می کنیم تخمین متغیر (VSIV) ، روشی برای برآورد اثرات درمانی هنگام ابزارها تا حدی نامعتبر هستند.تخمین VSIV قابل آزمایش است پیامدهای اعتبار ابزار برای حذف تغییرات نامعتبر در سازهاما نشان می دهیم که برآوردگرهای VSIV پیشنهادی بدون علامت هستند در شرایط ضعیف طبیعی و همیشه تعصب بدون علامت را حذف یا کاهش می دهد نسبت به برآوردگرهای استاندارد IV.ما تخمین VSIV را برای برآورد اعمال می کنیم با استفاده از ربع ابزار تولد به مدرسه بازگشت.

This paper introduces a new fixed effects estimator for linear panel data models with clustered time patterns of unobserved heterogeneity. The method avoids non-convex and combinatorial optimization by combining a preliminary consistent estimator of the slope coefficient, an agglomerative pairwise-differencing clustering of cross-sectional units, and a pooled ordinary least squares regression. Asymptotic guarantees are established in a framework where $T$ can grow at any power of $N$, as both $N$ and $T$ approach infinity. Unlike most existing approaches, the proposed estimator is computationally straightforward and does not require a known upper bound on the number of groups. As existing approaches, this method leads to a consistent estimation of well-separated groups and an estimator of common parameters asymptotically equivalent to the infeasible regression controlling for the true groups. An application revisits the statistical association between income and democracy.

در این مقاله یک برآوردگر جلوه های ثابت جدید برای داده های پانل خطی معرفی شده است مدلهایی با الگوهای زمانی خوشه ای ناهمگونی بی نظیر.روش با ترکیب مقدماتی از غیر کنفکس و بهینه سازی ترکیبی جلوگیری می کند برآوردگر مداوم از ضریب شیب ، یک جمع کننده خوشه بندی تفاوت به صورت زوج از واحدهای مقطعی و یک جمع شده رگرسیون حداقل مربعات معمولی.ضمانت های بدون علامت در چارچوبی که $ t $ می تواند با هر قدرت $ n $ رشد کند ، زیرا هر دو $ n $ و $ t $ بی نهایت.برخلاف اکثر رویکردهای موجود ، برآوردگر پیشنهادی است از نظر محاسباتی ساده است و نیازی به حد بالایی شناخته شده در آن ندارد تعداد گروه هابه عنوان رویکردهای موجود ، این روش به یک سازگار منجر می شود تخمین گروه های جدا شده و برآوردگر پارامترهای مشترک به صورت مجانبی معادل رگرسیون غیرقابل کنترل کنترل واقعی گروه ها.یک برنامه مجدداً ارتباط آماری بین درآمد و دموکراسی

We study the role of selection into treatment in difference-in-differences (DiD) designs. We derive necessary and sufficient conditions for parallel trends assumptions under general classes of selection mechanisms. These conditions characterize the empirical content of parallel trends. For settings where the necessary conditions are questionable, we propose tools for selection-based sensitivity analysis. We also provide templates for justifying DiD in applications with and without covariates. A reanalysis of the causal effect of NSW training programs demonstrates the usefulness of our selection-based approach to sensitivity analysis.

ما نقش انتخاب را در درمان در اختلافات اختلاف بررسی می کنیم (انجام داد) طرح ها.ما شرایط لازم و کافی را برای موازی به دست می آوریم فرضیات روندها تحت کلاسهای کلی مکانیسم های انتخاب.اینها شرایط محتوای تجربی روندهای موازی را مشخص می کند.برای تنظیمات جایی که شرایط لازم در آن جای سوال دارد ، ما ابزارهایی را برای آن پیشنهاد می کنیم تجزیه و تحلیل حساسیت مبتنی بر انتخاب.ما همچنین الگوهای توجیهی را ارائه می دهیم در برنامه های کاربردی با و بدون متغیرهای متغیر انجام شد.تجزیه و تحلیل مجدد از علت تأثیر برنامه های آموزشی NSW سودمندی ما را نشان می دهد رویکرد مبتنی بر انتخاب به تجزیه و تحلیل حساسیت.

Fixed effect estimators of nonlinear panel data models suffer from the incidental parameter problem. This leads to two undesirable consequences in applied research: (1) point estimates are subject to large biases, and (2) confidence intervals have incorrect coverages. This paper proposes a simulation-based method for bias reduction. The method simulates data using the model with estimated individual effects, and finds values of parameters by equating fixed effect estimates obtained from observed and simulated data. The asymptotic framework provides consistency, bias correction, and asymptotic normality results. An application and simulations to female labor force participation illustrates the finite-sample performance of the method.

برآوردگرهای اثر ثابت مدل های داده پانل غیرخطی از مشکل پارامتر اتفاقی.این منجر به دو عواقب نامطلوب در تحقیقات کاربردی: (1) برآورد نقطه در معرض تعصبات بزرگ است ، و (2) فواصل اعتماد به نفس پوشش های نادرستی دارند.این مقاله پیشنهاد می کند روش مبتنی بر شبیه سازی برای کاهش تعصب.این روش داده ها را با استفاده از مدل با اثرات فردی تخمین زده شده ، و مقادیر پارامترها را توسط معادل برآورد اثر ثابت به دست آمده از داده های مشاهده شده و شبیه سازی شده.در چارچوب بدون علامت قوام ، تصحیح تعصب و بدون علامت را فراهم می کند نتایج عادی بودن.کاربرد و شبیه سازی به نیروی کار زن مشارکت عملکرد نمونه محدود روش را نشان می دهد.

In linear econometric models with proportional selection on unobservables, omitted variable bias in estimated treatment effects are real roots of a cubic equation involving estimated parameters from a short and intermediate regression. The roots of the cubic are functions of $\delta$, the degree of selection on unobservables, and $R_{max}$, the R-squared in a hypothetical long regression that includes the unobservable confounder and all observable controls. In this paper I propose and implement a novel algorithm to compute roots of the cubic equation over relevant regions of the $\delta$-$R_{max}$ plane and use the roots to construct bounding sets for the true treatment effect. The algorithm is based on two well-known mathematical results: (a) the discriminant of the cubic equation can be used to demarcate regions of unique real roots from regions of three real roots, and (b) a small change in the coefficients of a polynomial equation will lead to small change in its roots because the latter are continuous functions of the former. I illustrate my method by applying it to the analysis of maternal behavior on child outcomes.

در مدلهای اقتصاد سنجی خطی با انتخاب متناسب با محرکه های غیر قابل کنترل ، تعصب متغیر حذف شده در اثرات درمانی برآورد شده ریشه های واقعی مکعب است معادله شامل پارامترهای تخمین زده شده از یک کوتاه و متوسط پسرفت.ریشه های مکعب توابع $ \ delta $ است ، درجه انتخاب در Unobservables ، و $ R_ {Max} $ ، R-Squared در یک فرضی طولانی رگرسیون که شامل مخدوش غیرقابل کنترل و همه قابل مشاهده است کنترلدر این مقاله یک الگوریتم جدید را برای محاسبه پیشنهاد و پیاده سازی می کنم ریشه معادله مکعب در مناطق مربوطه $ \ delta $-$ r_ {max} $ هواپیما را برای ساخت مجموعه های محدود برای درمان واقعی هواپیما کنید و از ریشه ها استفاده کنید اثراین الگوریتم بر اساس دو نتیجه ریاضی شناخته شده است: (الف) از تبعیض معادله مکعب می توان برای مشخص کردن مناطق منحصر به فرد استفاده کرد ریشه های واقعی از مناطق سه ریشه واقعی ، و (ب) یک تغییر کوچک در ضرایب یک معادله چند جمله ای منجر به تغییر کوچک در ریشه های آن خواهد شد زیرا دومی عملکردهای مداوم سابق است.من خود را نشان می دهم روش با استفاده از آن در تجزیه و تحلیل رفتار مادر در مورد نتایج کودک.

Attrition is a common and potentially important threat to internal validity in treatment effect studies. We extend the changes-in-changes approach to identify the average treatment effect for respondents and the entire study population in the presence of attrition. Our method, which exploits baseline outcome data, can be applied to randomized experiments as well as quasi-experimental difference-in-difference designs. A formal comparison highlights that while widely used corrections typically impose restrictions on whether or how response depends on treatment, our proposed attrition correction exploits restrictions on the outcome model. We further show that the conditions required for our correction can accommodate a broad class of response models that depend on treatment in an arbitrary way. We illustrate the implementation of the proposed corrections in an application to a large-scale randomized experiment.

جاذبه یک تهدید رایج و بالقوه مهم برای اعتبار داخلی است در مطالعات اثر درمانی.ما رویکرد تغییرات را در تغییر گسترش می دهیم میانگین اثر درمانی را برای پاسخ دهندگان و کل مطالعه مشخص کنید جمعیت در حضور جذابیت.روش ما ، که از پایه استفاده می کند داده های نتیجه ، می تواند برای آزمایش های تصادفی و همچنین اعمال شود طرح های اختلاف شبه تجربی در اختلاف.یک مقایسه رسمی برجسته می کند که در حالی که اصلاحات گسترده به طور معمول محدودیت هایی را اعمال می کند آیا یا چگونه پاسخ به درمان بستگی دارد ، تصحیح جذابیت پیشنهادی ما از محدودیت های مدل نتیجه بهره برداری می کند.ما بیشتر نشان می دهیم که شرایط لازم برای تصحیح ما می تواند کلاس گسترده ای از مدل های پاسخ را در خود جای دهد که به روش دلخواه به درمان بستگی دارد.ما اجرای را نشان می دهیم از اصلاحات پیشنهادی در یک برنامه برای یک در مقیاس بزرگ تصادفی آزمایش

I introduce a new method for bias correction of dyadic models with agent-specific fixed-effects, including the dyadic link formation model with homophily and degree heterogeneity. The proposed approach uses a jackknife procedure to deal with the incidental parameters problem. The method can be applied to both directed and undirected networks, allows for non-binary outcome variables, and can be used to bias correct estimates of average effects and counterfactual outcomes. I also show how the jackknife can be used to bias-correct fixed effect averages over functions that depend on multiple nodes, e.g. triads or tetrads in the network. As an example, I implement specification tests for dependence across dyads, such as reciprocity or transitivity. Finally, I demonstrate the usefulness of the estimator in an application to a gravity model for import/export relationships across countries.

من یک روش جدید برای تصحیح تعصب مدل های رنگ آمیزی با عوارض ثابت خاص عامل ، از جمله مدل تشکیل پیوند dyadic با ناهمگونی هموفیلی و درجه.رویکرد پیشنهادی از jackknife استفاده می کند رویه مقابله با مشکل پارامترهای حادثه ای.روش می تواند باشد برای هر دو شبکه کارگردانی و غیرمستقیم اعمال می شود ، نتیجه غیر باینری را امکان پذیر می کند متغیرها ، و می توان برای تعصب تخمین های صحیح از اثرات متوسط و نتایج متقابل.من همچنین نشان می دهم که چگونه می توان از jackknife استفاده کرد اثر ثابت با تعصب به طور متوسط بیش از توابعی که به چندگانه بستگی دارند گره ها ، به عنوان مثالTriads یا Tetrads در شبکه.به عنوان نمونه ، من پیاده سازی می کنم تست های مشخصات برای وابستگی به رنگها ، مانند متقابل یا انتقالسرانجام ، من سودمندی برآوردگر را در یک نشان می دهم استفاده از یک مدل گرانش برای روابط واردات/صادرات در سراسر کشورها.

Difference-in-differences is one of the most used identification strategies in empirical work in economics. This chapter reviews a number of important, recent developments related to difference-in-differences. First, this chapter reviews recent work pointing out limitations of two way fixed effects regressions (these are panel data regressions that have been the dominant approach to implementing difference-in-differences identification strategies) that arise in empirically relevant settings where there are more than two time periods, variation in treatment timing across units, and treatment effect heterogeneity. Second, this chapter reviews recently proposed alternative approaches that are able to circumvent these issues without being substantially more complicated to implement. Third, this chapter covers a number of extensions to these results, paying particular attention to (i) parallel trends assumptions that hold only after conditioning on observed covariates and (ii) strategies to partially identify causal effect parameters in difference-in-differences applications in cases where the parallel trends assumption may be violated.

تفاوت در اختلافات یکی از پرکاربردترین استراتژی های شناسایی است در کار تجربی در اقتصاد.در این فصل تعدادی از مهم ، تحولات اخیر مربوط به تفاوت در اختلافات.اول ، این فصل بررسی کار اخیر با اشاره به محدودیت های اثرات ثابت دو طرفه رگرسیون (این رگرسیون داده های پانل است که غالب بوده اند رویکرد برای اجرای استراتژی های شناسایی تفاوت در تفاوت ها) که در تنظیمات تجربی مرتبط است که بیش از دو زمان وجود دارد دوره ها ، تغییر در زمان بندی درمانی در واحدها و اثر درمانی ناهمگونیدوم ، این فصل به تازگی جایگزین ارائه شده است رویکردهایی که قادر به دور زدن این موضوعات هستند بدون اینکه قابل ملاحظه ای باشند برای اجرای پیچیده تر.سوم ، این فصل تعدادی از پسوندها به این نتایج ، توجه ویژه ای به (i) روندهای موازی فرضیاتی که فقط پس از تهویه بر روی متغیرهای مشاهده شده و (II) نگه داشته می شوند استراتژی هایی برای شناسایی جزئی پارامترهای اثر علی برنامه های تفاوت در اختلافات در مواردی که روندهای موازی فرض ممکن است نقض شود.

In this paper we propose two simple methods to estimate models of matching with transferable and separable utility introduced in Galichon and Salani\'e (2022). The first method is a minimum distance estimator that relies on the generalized entropy of matching. The second relies on a reformulation of the more special but popular Choo and Siow (2006) model; it uses generalized linear models (GLMs) with two-way fixed effects.

در این مقاله ما دو روش ساده برای برآورد مدل های تطبیق پیشنهاد می کنیم با ابزار قابل انتقال و جدا شده در گالیچون و سالانی معرفی شده است (2022).روش اول یک برآوردگر حداقل فاصله است که به آن متکی است آنتروپی تعمیم یافته تطبیق.دوم متکی به اصلاح مجدد است مدل خاص اما محبوب تر Choo and Siow (2006) ؛از خطی عمومی استفاده می کند مدل ها (GLM) با اثرات ثابت دو طرفه.

We propose confidence regions for the parameters of incomplete models with exact coverage of the true parameter in finite samples. Our confidence region inverts a test, which generalizes Monte Carlo tests to incomplete models. The test statistic is a discrete analogue of a new optimal transport characterization of the sharp identified region. Both test statistic and critical values rely on simulation drawn from the distribution of latent variables and are computed using solutions to discrete optimal transport, hence linear programming problems. We also propose a fast preliminary search in the parameter space with an alternative, more conservative yet consistent test, based on a parameter free critical value.

ما مناطق اعتماد به نفس را برای پارامترهای مدل های ناقص با پوشش دقیق پارامتر واقعی در نمونه های محدود.منطقه اعتماد به نفس ما یک آزمایش را معکوس می کند ، که تست های مونت کارلو را به مدل های ناقص تعمیم می دهد.در آمار آزمون یک آنالوگ گسسته از یک حمل و نقل بهینه جدید است خصوصیات منطقه مشخص شده تیز.هر دو آمار آزمون و مقادیر بحرانی به شبیه سازی حاصل از توزیع نهان متکی هستند متغیرها و با استفاده از راه حل هایی برای حمل و نقل بهینه گسسته محاسبه می شوند ، از این رو مشکلات برنامه نویسی خطی.ما همچنین یک جستجوی اولیه سریع در فضای پارامتر با یک آزمایش جایگزین ، محافظه کارانه تر و در عین حال مداوم ، بر اساس یک مقدار بحرانی بدون پارامتر.

I address the decomposition of the differences between the distribution of outcomes of two groups when individuals self-select themselves into participation. I differentiate between the decomposition for participants and the entire population, highlighting how the primitive components of the model affect each of the distributions of outcomes. Additionally, I introduce two ancillary decompositions that help uncover the sources of differences in the distribution of unobservables and participation between the two groups. The estimation is done using existing quantile regression methods, for which I show how to perform uniformly valid inference. I illustrate these methods by revisiting the gender wage gap, finding that changes in female participation and self-selection have been the main drivers for reducing the gap.

من به تجزیه اختلاف بین توزیع می پردازم نتایج دو گروه وقتی افراد خود را انتخاب می کنند مشارکت.من بین تجزیه برای شرکت کنندگان و کل جمعیت ، با اشاره به چگونگی اجزای بدوی مدل هر یک از توزیع نتایج را تحت تأثیر قرار دهید.علاوه بر این ، من دو را معرفی می کنم تجزیه های جانبی که به کشف منابع تفاوت در آن کمک می کند توزیع غیر قابل کنترل و مشارکت بین دو گروه.در تخمین با استفاده از روشهای رگرسیون کمی موجود انجام می شود ، که برای آن نشان می دهم نحوه استنباط یکنواخت معتبر.من این روش ها را توسط بازنگری در شکاف دستمزد جنس و انتخاب خود محرک اصلی برای کاهش شکاف بوده است.

We establish the asymptotic theory in quantile autoregression when the model parameter is specified with respect to moderate deviations from the unit boundary of the form (1 + c / k) with a convergence sequence that diverges at a rate slower than the sample size n. Then, extending the framework proposed by Phillips and Magdalinos (2007), we consider the limit theory for the near-stationary and the near-explosive cases when the model is estimated with a conditional quantile specification function and model parameters are quantile-dependent. Additionally, a Bahadur-type representation and limiting distributions based on the M-estimators of the model parameters are derived. Specifically, we show that the serial correlation coefficient converges in distribution to a ratio of two independent random variables. Monte Carlo simulations illustrate the finite-sample performance of the estimation procedure under investigation.

ما نظریه بدون علامت را در اتورهای کمی در هنگام مدل ایجاد می کنیم پارامتر با توجه به انحراف متوسط از واحد مشخص شده است مرز فرم (1 + c / k) با یک توالی همگرایی که در a متفاوت است نرخ کندتر از اندازه نمونه n.سپس با گسترش چارچوب پیشنهادی توسط فیلیپس و مگدالینوس (2007) ، ما تئوری حد را برای تقریباً ثابت و موارد تقریباً انفجاری که مدل با a تخمین زده می شود تابع مشخصات کمی مشروط و پارامترهای مدل هستند وابسته به کمیعلاوه بر این ، یک نمایش و محدود کردن از نوع بهادور توزیع های مبتنی بر تخمین های M از پارامترهای مدل مشتق شده است. به طور خاص ، ما نشان می دهیم که ضریب همبستگی سریال در توزیع به نسبت دو متغیر تصادفی مستقل.مونت کارلو شبیه سازی ها عملکرد نمونه محدود تخمین را نشان می دهد رویه تحت بررسی

Treatment effect estimation strategies in the event-study setup, namely panel data with variation in treatment timing, often use the parallel trend assumption that assumes mean independence of potential outcomes across different treatment timings. In this paper, we relax the parallel trend assumption by assuming a latent type variable and develop a type-specific parallel trend assumption. With a finite support assumption on the latent type variable, we show that an extremum classifier consistently estimates the type assignment. Based on the clasfification result, we propose a type-specific diff-in-diff estimator for the type-specific CATT. By estimating the CATT with regard to the latent type, we study heterogeneity in treatment effect, in addition to heterogeneity in baseline outcomes.

استراتژی های تخمین اثر درمانی در تنظیم مطالعه ، یعنی پانل داده ها با تغییر در زمان بندی درمانی ، اغلب از روند موازی استفاده می کنند فرض که به معنای استقلال نتایج بالقوه در سراسر است زمان بندی متفاوت درمانی.در این مقاله ، روند موازی را آرام می کنیم فرض با فرض یک متغیر از نوع نهفته و توسعه یک نوع خاص فرض روند موازی.با یک فرض پشتیبانی محدود در مورد نوع نهفته متغیر ، ما نشان می دهیم که یک طبقه بندی کننده افراطی به طور مداوم نوع را تخمین می زند وظیفه.بر اساس نتیجه ClasFification ، ما یک نوع خاص را پیشنهاد می کنیم برآوردگر Diff-in-DIFF برای CATT نوع خاص.با تخمین CATT با با توجه به نوع نهفته ، ما ناهمگونی را در اثر درمان مطالعه می کنیم ، در علاوه بر ناهمگونی در نتایج پایه.

The paper proposes a new bootstrap approach to the Pesaran, Shin and Smith's bound tests in a conditional equilibrium correction model with the aim to overcome some typical drawbacks of the latter, such as inconclusive inference and distortion in size. The bootstrap tests are worked out under several data generating processes, including degenerate cases. Monte Carlo simulations confirm the better performance of the bootstrap tests with respect to bound ones and to the asymptotic F test on the independent variables of the ARDL model. It is also proved that any inference carried out in misspecified models, such as unconditional ARDLs, may be misleading. Empirical applications highlight the importance of employing the appropriate specification and provide definitive answers to the inconclusive inference of the bound tests when exploring the long-term equilibrium relationship between economic variables.

این مقاله یک رویکرد جدید بوت استرپ را به Pesaran ، Shin و Smith ارائه می دهد تست های محدود در یک مدل تصحیح تعادل شرطی با هدف بر برخی از اشکالات معمولی دومی ، مانند استنباط بی نتیجه غلبه کنید و اعوجاج در اندازهتست های بوت استرپ تحت چندین داده تهیه شده است تولید فرآیندها ، از جمله موارد انحطاط.شبیه سازی مونت کارلو عملکرد بهتر تست های bootstrap را با توجه به محدود تأیید کنید آنهایی که و به آزمون F بدون علامت در متغیرهای مستقل ARDL مدل.همچنین ثابت شده است که هر استنباط انجام شده در مدل های غلط ، مانند آردل های بی قید و شرط ، ممکن است گمراه کننده باشد.برنامه های تجربی اهمیت استفاده از مشخصات مناسب را برجسته کرده و ارائه دهید پاسخ های قطعی به استنباط بی نتیجه از آزمون های محدود هنگامی که بررسی روابط تعادل بلند مدت بین متغیرهای اقتصادی.

We study partially linear models when the outcome of interest and some of the covariates are observed in two different datasets that cannot be linked. This type of data combination problem arises very frequently in empirical microeconomics. Using recent tools from optimal transport theory, we derive a constructive characterization of the sharp identified set. We then build on this result and develop a novel inference method that exploits the specific geometric properties of the identified set. Our method exhibits good performances in finite samples, while remaining very tractable. We apply our approach to study intergenerational income mobility over the period 1850-1930 in the United States. Our method allows us to relax the exclusion restrictions used in earlier work, while delivering confidence regions that are informative.

ما مدلهای تا حدی خطی را مطالعه می کنیم که نتیجه علاقه و برخی از آنها متغیرهای متغیر در دو مجموعه داده مختلف مشاهده می شوند که نمی توانند در ارتباط باشند.این نوع مشکل ترکیبی داده ها بسیار در تجربی بوجود می آید اقتصاد خرد.با استفاده از ابزارهای اخیر از تئوری حمل و نقل بهینه ، ما به دست می آوریم خصوصیات سازنده مجموعه مشخص شده تیز.ما سپس روی می سازیم این نتیجه را ایجاد کرده و یک روش استنباط جدید ایجاد می کند که از خاص بهره برداری می کند خصوصیات هندسی مجموعه مشخص شده.روش ما خوب است عملکرد در نمونه های محدود ، در حالی که بسیار قابل ردیابی است.ما خود را اعمال می کنیم رویکرد برای مطالعه تحرک درآمد بین نسلی در دوره 1850-1930 در ایالات متحده.روش ما به ما اجازه می دهد محدودیت های محرومیت را آرام کنیم در کارهای قبلی ، ضمن ارائه مناطق اعتماد به نفس که آموزنده هستند ، استفاده می شود.

Administrative data are often easier to access as tabulated summaries than in the original format due to confidentiality concerns. Motivated by this practical feature, we propose a novel nonparametric density estimation method from tabulated summary data based on maximum entropy and prove its strong uniform consistency. Unlike existing kernel-based estimators, our estimator is free from tuning parameters and admits a closed-form density that is convenient for post-estimation analysis. We apply the proposed method to the tabulated summary data of the U.S. tax returns to estimate the income distribution.

دسترسی به داده های اداری اغلب به عنوان خلاصه های جدول بندی شده آسانتر از آن است قالب اصلی به دلیل نگرانی های محرمانه بودن.با انگیزه این ویژگی عملی ، ما یک روش تخمین چگالی غیر پارامتری رمان را پیشنهاد می کنیم از داده های خلاصه جدول بندی شده بر اساس حداکثر آنتروپی و اثبات قوی آن قوام یکنواخت.برخلاف برآوردگرهای موجود مبتنی بر هسته ، برآوردگر ما است عاری از تنظیم پارامترها و چگالی با فرم بسته که مناسب است برای تجزیه و تحلیل پس از تخمین.ما روش پیشنهادی را در جدول بندی شده اعمال می کنیم داده های خلاصه اظهارنامه مالیاتی ایالات متحده برای برآورد توزیع درآمد.

This note describes the optimal policy rule, according to the local asymptotic minimax regret criterion, for best arm identification when there are only two treatments. It is shown that the optimal sampling rule is the Neyman allocation, which allocates a constant fraction of units to each treatment in a manner that is proportional to the standard deviation of the treatment outcomes. When the variances are equal, the optimal ratio is one-half. This policy is independent of the data, so there is no adaptation to previous outcomes. At the end of the experiment, the policy maker adopts the treatment with higher average outcomes.

این یادداشت مطابق محلی ، قانون بهینه سیاست را توصیف می کند معیار پشیمانی مینیماکس بدون علامت ، برای شناسایی بهترین بازو در صورت وجود فقط دو درمان.نشان داده شده است که قانون نمونه گیری بهینه Neyman است تخصیص ، که بخش ثابت از واحدها را به هر درمان در a اختصاص می دهد روشی که متناسب با انحراف استاندارد از درمان باشد عواقب.هنگامی که واریانس ها برابر هستند ، نسبت بهینه نیمی از آن است.این سیاست مستقل از داده ها است ، بنابراین هیچ سازگاری با قبلی وجود ندارد عواقب.در پایان آزمایش ، سیاست گذار درمان را اتخاذ می کند با نتایج متوسط بالاتر.

We examine identification of differentiated products demand when one has "micro data" linking individual consumers' characteristics and choices. Our model nests standard specifications featuring rich observed and unobserved consumer heterogeneity as well as product/market-level unobservables that introduce the problem of econometric endogeneity. Previous work establishes identification of such models using market-level data and instruments for all prices and quantities. Micro data provides a panel structure that facilitates richer demand specifications and reduces requirements on both the number and types of instrumental variables. We address identification of demand in the standard case in which non-price product characteristics are assumed exogenous, but also cover identification of demand elasticities and other key features when product characteristics are endogenous. We discuss implications of these results for applied work.

ما شناسایی تقاضای محصولات متمایز را در صورت وجود بررسی می کنیم "داده های خرد" پیوند ویژگی ها و گزینه های مصرف کنندگان فردی.ما مشخصات استاندارد لانه های مدل شامل غنی مشاهده شده و بدون نظارت ناهمگونی مصرف کننده و همچنین محصول/سطح بازار غیر قابل کنترل است که مشکل درون زا اقتصاد سنجی را معرفی کنید.کار قبلی ایجاد می شود شناسایی چنین مدلهایی با استفاده از داده ها و ابزارهای سطح بازار برای همه قیمت و مقادیر.Micro Data یک ساختار پانل را فراهم می کند که تسهیل می شود مشخصات تقاضای غنی تر و نیازهای موجود در هر دو عدد را کاهش می دهد انواع متغیرهای ابزاری.ما به شناسایی تقاضا در مورد استاندارد که در آن ویژگی های محصول غیر قیمت فرض می شود اگزوژن ، بلکه شناسایی خاصیت ارتجاعی تقاضا و سایر ویژگی های کلیدی را نیز پوشش می دهد هنگامی که ویژگی های محصول درون زا است.ما در مورد پیامدهای این موارد بحث می کنیم نتایج برای کار کاربردی.

Many empirical examples of regression discontinuity (RD) designs concern a continuous treatment variable, but the theoretical aspects of such models are less studied. This study examines the identification and estimation of the structural function in fuzzy RD designs with a continuous treatment variable. The structural function fully describes the causal impact of the treatment on the outcome. We show that the nonlinear and nonseparable structural function can be nonparametrically identified at the RD cutoff under shape restrictions, including monotonicity and smoothness conditions. Based on the nonparametric identification equation, we propose a three-step semiparametric estimation procedure and establish the asymptotic normality of the estimator. The semiparametric estimator achieves the same convergence rate as in the case of a binary treatment variable. As an application of the method, we estimate the causal effect of sleep time on health status by using the discontinuity in natural light timing at time zone boundaries.

بسیاری از نمونه های تجربی ناپیوستگی رگرسیون (RD) مربوط به متغیر درمان مداوم ، اما جنبه های نظری چنین مدلهایی هستند کمتر مورد مطالعه قرار گرفتاین مطالعه به بررسی شناسایی و برآورد عملکرد ساختاری در طرح های RD فازی با متغیر درمانی مداوم. عملکرد ساختاری تأثیر علی درمان بر روی آن را به طور کامل توصیف می کند نتیجه.ما نشان می دهیم که عملکرد ساختاری غیرخطی و غیر قابل تفکیک می تواند به صورت غیرپارامتری در برش RD تحت محدودیت های شکل مشخص شود ، از جمله شرایط یکنواختی و صافی.بر اساس غیر پارامتری معادله شناسایی ، ما یک تخمین نیمه مرحله ای سه مرحله ای پیشنهاد می کنیم رویه و ایجاد عادی بودن بدون علامت برآوردگر.در برآوردگر نیمهرامتری به همان میزان همگرایی دست می یابد که در مورد a متغیر درمان باینری.به عنوان کاربرد روش ، ما تخمین می زنیم تأثیر علت زمان خواب بر وضعیت سلامتی با استفاده از ناپیوستگی در زمان بندی نور طبیعی در مرزهای منطقه زمانی.

This paper studies the implication of a fraction of the population not responding to the instrument when selecting into treatment. We show that, in general, the presence of non-responders biases the Marginal Treatment Effect (MTE) curve and many of its functionals. Yet, we show that, when the propensity score is fully supported on the unit interval, it is still possible to restore identification of the MTE curve and its functionals with an appropriate re-weighting.

در این مقاله به بررسی پیامدهای کسری از جمعیت نیست پاسخ به ابزار هنگام انتخاب به درمان.ما این را نشان می دهیم ، در به طور کلی ، وجود غیر پاسخ دهندگان اثر درمانی حاشیه ای را مغرضانه می کند (MTE) منحنی و بسیاری از عملکردهای آن.با این حال ، ما این را نشان می دهیم ، هنگامی که گرایش نمره کاملاً در فاصله واحد پشتیبانی می شود ، بازیابی هنوز هم امکان پذیر است شناسایی منحنی MTE و عملکردهای آن با مناسب وزنه برداری مجدد

This paper proposes a one-covariate-at-a-time multiple testing (OCMT) approach to choose significant variables in high-dimensional nonparametric additive regression models. Similarly to Chudik, Kapetanios and Pesaran (2018), we consider the statistical significance of individual nonparametric additive components one at a time and take into account the multiple testing nature of the problem. One-stage and multiple-stage procedures are both considered. The former works well in terms of the true positive rate only if the marginal effects of all signals are strong enough; the latter helps to pick up hidden signals that have weak marginal effects. Simulations demonstrate the good finite sample performance of the proposed procedures. As an empirical application, we use the OCMT procedure on a dataset we extracted from the Longitudinal Survey on Rural Urban Migration in China. We find that our procedure works well in terms of the out-of-sample forecast root mean square errors, compared with competing methods.

در این مقاله یک آزمایش چندگانه یک بار در یک زمان (OCMT) پیشنهاد شده است رویکرد برای انتخاب متغیرهای قابل توجه در غیر پارامتری بالا مدل های رگرسیون افزودنی.به طور مشابه با Chudik ، Kapetanios و Pesaran (2018) ، ما اهمیت آماری افزودنی غیرپارامتری فردی را در نظر می گیریم مؤلفه ها یک بار و ماهیت آزمایش چندگانه را در نظر می گیرند مشکل.روشهای یک مرحله و چند مرحله ای هر دو در نظر گرفته شده است.در سابق از نظر نرخ مثبت واقعی فقط در صورت حاشیه خوب کار می کند اثرات همه سیگنال ها به اندازه کافی قوی هستند.دومی به انتخاب پنهان کمک می کند سیگنال هایی که اثرات حاشیه ای ضعیف دارند.شبیه سازی ها خوب را نشان می دهد عملکرد نمونه محدود روشهای پیشنهادی.به عنوان یک تجربی برنامه ، ما از روش OCMT در مجموعه داده ای که از آن استخراج کردیم استفاده می کنیم بررسی طولی در مورد مهاجرت شهری روستایی در چین.ما متوجه می شویم که ما رویه از نظر مربع میانگین ریشه پیش بینی خارج از نمونه خوب کار می کند خطاها ، در مقایسه با روش های رقیب.

We consider estimation in moment condition models and show that under any bound on identification strength, asymptotically admissible (i.e. undominated) estimators in a wide class of estimation problems must be uniformly continuous in the sample moment function. GMM estimators are in general discontinuous in the sample moments, and are thus inadmissible. We show, by contrast, that bagged, or bootstrap aggregated, GMM estimators as well as quasi-Bayes posterior means have superior continuity properties, while results in the literature imply that they are equivalent to GMM when identification is strong. In simulations calibrated to published instrumental variables specifications, we find that these alternatives often outperform GMM.

ما تخمین را در مدل های شرایط لحظه ای در نظر می گیریم و نشان می دهیم که در هر صورت محدود به قدرت شناسایی ، بدون علامت قابل قبول (یعنی نامشخص) برآوردگرها در یک طبقه گسترده از مشکلات تخمین باید به طور یکنواخت مداوم باشند در عملکرد لحظه نمونه.برآوردگرهای GMM به طور کلی ناپیوسته هستند لحظه های نمونه ، و به این ترتیب غیرقابل قبول است.در مقابل ، ما نشان می دهیم که برآوردگرهای GMM و همچنین Bootstrap جمع شده و همچنین شبه بت به معنای خلفی دارای خواص تداوم برتر است ، در حالی که نتایج در ادبیات حاکی از آن است که در هنگام شناسایی ، آنها معادل GMM هستند. در شبیه سازی ها کالیبره شده به مشخصات متغیرهای ابزاری منتشر شده ، ما می دانیم که این گزینه ها اغلب از GMM بهتر است.

This paper introduces a flexible local projection that generalizes the model by Jord\'a (2005) to a non-parametric setting using Bayesian Additive Regression Trees. Monte Carlo experiments show that our BART-LP model is able to capture non-linearities in the impulse responses. Our first application shows that the fiscal multiplier is stronger in recession than in expansion only in response to contractionary fiscal shocks, but not in response to expansionary fiscal shocks. We then show that financial shocks generate effects on the economy that increase more than proportionately in the size of the shock when the shock is negative, but not when the shock is positive.

در این مقاله یک پیش بینی محلی انعطاف پذیر ارائه شده است که مدل را تعمیم می دهد توسط Jord \ 'A (2005) به یک محیط غیر پارامتری با استفاده از افزودنی بیزی درختان رگرسیون.آزمایش های مونت کارلو نشان می دهد که مدل BART-LP ما قادر است برای گرفتن غیر خطی در پاسخ های ضربه ای.اولین برنامه ما نشان می دهد که ضرب مالی در رکود قوی تر از گسترش است فقط در پاسخ به شوکهای مالی انقباضی ، اما در پاسخ به شوکهای مالی انبساطی.سپس نشان می دهیم که شوک های مالی اثرات ایجاد می کنند در اقتصاد که بیش از متناسب با اندازه شوک افزایش می یابد وقتی شوک منفی است ، اما نه وقتی که شوک مثبت باشد.

Estimating structural models is an essential tool for economists. However, existing methods are often inefficient either computationally or statistically, depending on how equilibrium conditions are imposed. We propose a class of penalized sieve estimators that are consistent, asymptotic normal, and asymptotically efficient. Instead of solving the model repeatedly, we approximate the solution with a linear combination of basis functions and impose equilibrium conditions as a penalty in searching for the best fitting coefficients. We apply our method to an entry game between Walmart and Kmart.

تخمین مدل های ساختاری ابزاری اساسی برای اقتصاددانان است.با این حال، روشهای موجود اغلب از نظر محاسباتی یا آماری ناکارآمد هستند ، بسته به نحوه تحمیل شرایط تعادل.ما یک کلاس از برآوردگرهای غربال مجازات که سازگار ، بدون علامت طبیعی هستند ، و بدون علامت کارآمد است.به جای حل مکرر مدل ، ما محلول را با ترکیبی خطی از توابع پایه تقریبی کنید و شرایط تعادل را به عنوان یک مجازات در جستجوی بهترین مناسب تحمیل کنید ضرایبما روش خود را در یک بازی ورودی بین والمارت و KMART اعمال می کنیم.

This paper assesses the effects of greenhouse gas emissions drivers in EU-27 over the period 2010-2019, using a Panel EGLS model with period fixed effects. In particular, we focused our research on studying the effects of GDP, renewable energy, households energy consumption and waste on the greenhouse gas emissions. In this regard, we found a positive relationship between three independent variables (real GDP per capita, households final consumption per capita and waste generation per capita) and greenhouse gas emissions per capita, while the effect of the share of renewable energy in gross final energy consumption on the dependent variable proved to be negative, but quite low. In addition, we demonstrate that the main challenge that affects greenhouse gas emissions is related to the structure of households energy consumption, which is generally composed by environmentally harmful fuels. This suggests the need to make greater efforts to support the shift to a green economy based on a higher energy efficiency.

در این مقاله تأثیر محرک های انتشار گازهای گلخانه ای در EU-27 ارزیابی شده است در طول دوره 2010-2019 ، با استفاده از یک مدل EGLS پانل با اثرات ثابت دوره. به طور خاص ، ما تحقیقات خود را در مورد بررسی اثرات تولید ناخالص داخلی متمرکز کردیم ، انرژی تجدید پذیر ، مصرف انرژی و زباله در گازهای گلخانه ای انتشار گازهای گلخانه ایدر این رابطه ، ما بین سه رابطه مثبت پیدا کردیم متغیرهای مستقل (تولید ناخالص داخلی واقعی سرانه ، مصرف نهایی خانوارها در هر کاپیتا و تولید زباله سرانه) و انتشار گازهای گلخانه ای در هر کاپیتا ، در حالی که تأثیر سهم انرژی تجدید پذیر در انرژی نهایی ناخالص است مصرف متغیر وابسته منفی ، اما بسیار کم است.که در علاوه بر این ، ما نشان می دهیم که چالش اصلی که بر گاز گلخانه ای تأثیر می گذارد انتشار گازهای گلخانه ای مربوط به ساختار مصرف انرژی خانوارها است که به طور کلی توسط سوخت های مضر محیط زیست تشکیل شده است.این نیاز را نشان می دهد برای تلاش بیشتر برای حمایت از تغییر به یک اقتصاد سبز بر اساس راندمان انرژی بالاتر.

In this paper, we propose a simple inferential method for a wide class of panel data models with a focus on such cases that have both serial correlation and cross-sectional dependence. In order to establish an asymptotic theory to support the inferential method, we develop some new and useful higher-order expansions, such as Berry-Esseen bound and Edgeworth Expansion, under a set of simple and general conditions. We further demonstrate the usefulness of these theoretical results by explicitly investigating a panel data model with interactive effects which nests many traditional panel data models as special cases. Finally, we show the superiority of our approach over several natural competitors using extensive numerical studies.

در این مقاله ، ما یک روش استنباطی ساده برای یک کلاس گسترده از مدل های داده پانل با تمرکز بر روی چنین مواردی که همبستگی سریال دارند و وابستگی مقطعیبه منظور ایجاد یک تئوری بدون علامت به از روش استنباطی پشتیبانی می کنیم ، ما برخی از مرتبه های جدید و مفید را توسعه می دهیم انبساط ها ، مانند Berry-Esseen Bound و Edgeworth ، تحت مجموعه ای از شرایط ساده و عمومی.ما بیشتر سودمندی اینها را نشان می دهیم نتایج نظری با بررسی صریح یک مدل داده پانل با جلوه های تعاملی که بسیاری از مدل های داده پانل سنتی را به عنوان ویژه لانه می کند مواردسرانجام ، ما برتری رویکرد خود را نسبت به چندین طبیعی نشان می دهیم رقبا با استفاده از مطالعات عددی گسترده.

Crawford's et al. (2021) article on estimation of discrete choice models with unobserved or latent consideration sets, presents a unified framework to address the problem in practice by using "sufficient sets", defined as a combination of past observed choices. The proposed approach is sustained in a re-interpretation of a consistency result by McFadden (1978) for the problem of sampling of alternatives, but the usage of that result in Crawford et al. (2021) is imprecise in an important matter. It is stated that consistency would be attained if any subset of the true consideration set is used for estimation, but McFadden (1978) shows that, in general, one needs to do a sampling correction that depends on the protocol used to draw the choice set. This note derives the sampling correction that is required when the choice set for estimation is built from past choices. Then, it formalizes the conditions under which such correction would fulfill the uniform condition property and can therefore be ignored when building practical estimators, such as the ones analyzed by Crawford et al. (2021).

کرافورد و همکاران.(2021) مقاله در مورد تخمین مدلهای انتخاب گسسته با مجموعه های ملاحظه ای بدون نظارت یا نهفته ، یک چارچوب یکپارچه را به با استفاده از "مجموعه های کافی" ، که به عنوان یک مورد تعریف شده است ، مشکل را در عمل قرار دهید ترکیبی از گزینه های مشاهده شده گذشته.رویکرد پیشنهادی در a پایدار است تفسیر مجدد نتیجه ثبات توسط مک فادن (1978) برای مشکل نمونه برداری از گزینه های دیگر ، اما استفاده از این نتیجه در کرافورد و همکاران. (2021) در یک موضوع مهم نادرست است.بیان شده است که قوام خواهد بود در صورت استفاده از زیر مجموعه ای از مجموعه ملاحظات واقعی برای تخمین ، به دست می آید ، اما مک فادن (1978) نشان می دهد که ، به طور کلی ، فرد باید نمونه برداری را انجام دهد تصحیح بستگی به پروتکل مورد استفاده برای ترسیم مجموعه انتخاب دارد.این نت تصحیح نمونه برداری را که در هنگام انتخاب انتخاب شده است ، مشتق می کند تخمین از انتخاب های گذشته ساخته شده است.سپس ، شرایط زیر را رسمی می کند که چنین تصحیحی می تواند خاصیت یکنواخت را برآورده کند و می تواند بنابراین هنگام ساختن برآوردگرهای عملی ، مانند موارد ، نادیده گرفته می شود تجزیه و تحلیل توسط کرافورد و همکاران.(2021).

Methods for cluster-robust inference are routinely used in economics and many other disciplines. However, it is only recently that theoretical foundations for the use of these methods in many empirically relevant situations have been developed. In this paper, we use these theoretical results to provide a guide to empirical practice. We do not attempt to present a comprehensive survey of the (very large) literature. Instead, we bridge theory and practice by providing a thorough guide on what to do and why, based on recently available econometric theory and simulation evidence. To practice what we preach, we include an empirical analysis of the effects of the minimum wage on labor supply of teenagers using individual data.

روشهای استنباط خوشه ای- روتراست به طور معمول در اقتصاد و بسیاری استفاده می شود سایر رشته هابا این حال ، فقط اخیراً مبانی نظری است برای استفاده از این روش ها در بسیاری از شرایط تجربی مرتبط بوده است توسعه یافته.در این مقاله ، ما از این نتایج نظری برای تهیه راهنما استفاده می کنیم به عمل تجربیما سعی در ارائه یک بررسی جامع از ادبیات (بسیار بزرگ).در عوض ، ما تئوری و عمل را توسط ارائه یک راهنمای کامل در مورد اینکه چه کاری باید انجام شود و چرا بر اساس اخیراً در دسترس است نظریه اقتصاد سنجی و شواهد شبیه سازی.برای تمرین آنچه ما موعظه می کنیم ، ما شامل تجزیه و تحلیل تجربی از اثرات حداقل دستمزد بر نیروی کار تهیه نوجوانان با استفاده از داده های فردی.

We introduce a new Stata package called summclust that summarizes the cluster structure of the dataset for linear regression models with clustered disturbances. The key unit of observation for such a model is the cluster. We therefore propose cluster-level measures of leverage, partial leverage, and influence and show how to compute them quickly in most cases. The measures of leverage and partial leverage can be used as diagnostic tools to identify datasets and regression designs in which cluster-robust inference is likely to be challenging. The measures of influence can provide valuable information about how the results depend on the data in the various clusters. We also show how to calculate two jackknife variance matrix estimators efficiently as a byproduct of our other computations. These estimators, which are already available in Stata, are generally more conservative than conventional variance matrix estimators. The summclust package computes all the quantities that we discuss.

ما یک بسته جدید Stata به نام Summlust را معرفی می کنیم که خلاصه خوشه است ساختار مجموعه داده برای مدلهای رگرسیون خطی با خوشه ای اغتشاشات.واحد اصلی مشاهده برای چنین مدلی خوشه است.ما بنابراین اقدامات سطح خوشه ای از اهرم ، اهرم جزئی و تأثیر و نشان دادن نحوه محاسبه سریع آنها در بیشتر موارد.اقدامات از اهرم و اهرم جزئی می تواند به عنوان ابزارهای تشخیصی برای شناسایی استفاده شود مجموعه داده ها و طرح های رگرسیون که در آن احتمالاً استنباط خوشه ای روتراست چالش برانگیز باشیداقدامات نفوذ می تواند اطلاعات ارزشمندی را ارائه دهد در مورد چگونگی بستگی به نتایج به داده ها در خوشه های مختلف.ما نیز نشان می دهیم نحوه محاسبه دو برآوردگر واریانس jackknife به عنوان یک محصول جانبی محاسبات دیگر ما.این برآوردگرها ، که قبلاً هستند موجود در Stata ، به طور کلی محافظه کارتر از واریانس معمولی است برآوردگرهای ماتریس.بسته تابستان تمام مقادیر مورد نظر خود را محاسبه می کند بحث و گفتگو.

This paper studies identification and estimation of dynamic games when the underlying information structure is unknown to the researcher. To tractably characterize the set of model predictions while maintaining weak assumptions on players' information, we introduce Markov correlated equilibrium, a dynamic analog of Bayes correlated equilibrium. The set of Markov correlated equilibrium predictions coincides with the set of Markov perfect equilibrium predictions that can arise when the players might observe more signals than assumed by the analyst. We characterize the sharp identified sets under varying assumptions on what the players minimally observe. We also propose computational strategies for dealing with the non-convexities that arise in dynamic environments.

این مقاله به بررسی شناسایی و تخمین بازی های پویا در زمان ساختار اطلاعات اساسی برای محقق ناشناخته است.به طور قابل تراکت مجموعه ای از پیش بینی های مدل را در حالی که فرضیات ضعیف را در آن حفظ می کنید ، مشخص کنید اطلاعات بازیکنان ، ما تعادل همبستگی مارکوف را معرفی می کنیم ، پویا آنالوگ تعادل با همبستگی.مجموعه مارکوف با هم ارتباط داشت پیش بینی های تعادل همزمان با مجموعه تعادل کامل مارکوف است پیش بینی هایی که ممکن است وقتی بازیکنان ممکن است سیگنال های بیشتری را مشاهده کنند ، ایجاد شود فرض شده توسط تحلیلگر.ما مجموعه های مشخص شده تیز را در زیر متفاوت توصیف می کنیم فرضیات مربوط به آنچه بازیکنان حداقل مشاهده می کنند.ما نیز پیشنهاد می کنیم استراتژی های محاسباتی برای مقابله با غیر متغیرهایی که در آن بوجود می آیند محیط های پویا

This paper studies identification and estimation of a dynamic discrete choice model of demand for differentiated product using consumer-level panel data with few purchase events per consumer (i.e., short panel). Consumers are forward-looking and their preferences incorporate two sources of dynamics: last choice dependence due to habits and switching costs, and duration dependence due to inventory, depreciation, or learning. A key distinguishing feature of the model is that consumer unobserved heterogeneity has a Fixed Effects (FE) structure -- that is, its probability distribution conditional on the initial values of endogenous state variables is unrestricted. I apply and extend recent results to establish the identification of all the structural parameters as long as the dataset includes four or more purchase events per household. The parameters can be estimated using a sufficient statistic - conditional maximum likelihood (CML) method. An attractive feature of CML in this model is that the sufficient statistic controls for the forward-looking value of the consumer's decision problem such that the method does not require solving dynamic programming problems or calculating expected present values.

این مقاله به بررسی شناسایی و تخمین یک انتخاب گسسته پویا پرداخته می شود مدل تقاضا برای محصول متمایز با استفاده از داده های پانل در سطح مصرف کننده با تعداد کمی از رویدادهای خرید برای هر مصرف کننده (یعنی پانل کوتاه).مصرف کنندگان هستند رو به جلو و ترجیحات آنها شامل دو منبع پویایی است: آخرین وابستگی به انتخاب به دلیل عادات و هزینه های تعویض و وابستگی به مدت زمان به دلیل موجودی ، استهلاک یا یادگیری.یک ویژگی مهم متمایز از مدل این است که ناهمگونی بدون نظارت مصرف کننده دارای اثرات ثابت است (FE) ساختار - یعنی توزیع احتمال آن مشروط به اولیه است مقادیر متغیرهای حالت درون زا نامحدود است.من اعمال می کنم و تمدید می کنم نتایج برای ایجاد شناسایی کلیه پارامترهای ساختاری به عنوان تا زمانی که مجموعه داده شامل چهار یا چند رویداد خرید در هر خانواده باشد.در پارامترها را می توان با استفاده از یک آمار کافی تخمین زد - حداکثر مشروط روش احتمال (CML).یکی از ویژگی های جذاب CML در این مدل این است که کنترل آماری کافی برای ارزش آینده نگر مصرف کننده مشکل تصمیم گیری به گونه ای که این روش نیازی به حل پویا ندارد مشکلات برنامه نویسی یا محاسبه مقادیر فعلی مورد انتظار.

This paper develops a novel method for policy choice in a dynamic setting where the available data is a multivariate time series. Building on the statistical treatment choice framework, we propose Time-series Empirical Welfare Maximization (T-EWM) methods to estimate an optimal policy rule for the current period or over multiple periods by maximizing an empirical welfare criterion constructed using nonparametric potential outcome time-series. We characterize conditions under which T-EWM consistently learns a policy choice that is optimal in terms of conditional welfare given the time-series history. We then derive a nonasymptotic upper bound for conditional welfare regret and its minimax lower bound. To illustrate the implementation and uses of T-EWM, we perform simulation studies and apply the method to estimate optimal monetary policy rules from macroeconomic time-series data.

این مقاله یک روش جدید برای انتخاب سیاست در یک تنظیم پویا ایجاد می کند جایی که داده های موجود یک سری زمانی چند متغیره است.ساخت در چارچوب انتخاب درمان آماری ، ما سری زمانی تجربی را پیشنهاد می کنیم روشهای حداکثر رفاه (T-EWM) برای برآورد یک قانون بهینه سیاست برای دوره فعلی یا طی چندین دوره با به حداکثر رساندن رفاه تجربی معیار ساخته شده با استفاده از سری زمانی نتیجه بالقوه غیر پارامتری.ما شرایطی را که تحت آن T-EWM به طور مداوم یک انتخاب سیاست را یاد می گیرد ، مشخص کنید با توجه به تاریخچه زمان زمان ، از نظر رفاه مشروط بهینه است. ما سپس برای پشیمانی رفاه مشروط و یک محدوده فوقانی غیر متعارف به دست می آوریم و حداقل حد پایین آنبرای نشان دادن اجرای و کاربردهای T-EWM ، ما مطالعات شبیه سازی را انجام داده و از روش برای برآورد پولی بهینه استفاده کنید قوانین خط مشی از داده های سری زمانی کلان.

Current diagnostic tests for regression discontinuity (RD) design face a multiple testing problem. We find a massive over-rejection of the identifying restriction among empirical RD studies published in top-five economics journals. Each test achieves a nominal size of 5%; however, the median number of tests per study is 12. Consequently, more than one-third of studies reject at least one of these tests and their diagnostic procedures are invalid for justifying the identifying assumption. We offer a joint testing procedure to resolve the multiple testing problem. Our procedure is based on a new joint asymptotic normality of local linear estimates and local polynomial density estimates. In simulation studies, our joint testing procedures outperform the Bonferroni correction. We implement the procedure as an R package, rdtest, with two empirical examples in its vignettes.

تست های تشخیصی فعلی برای ناپیوستگی رگرسیون (RD) با چهره a مشکل آزمایش چندگانه.ما یک رد بیش از حد از شناسایی می یابیم محدودیت در مطالعات تجربی RD منتشر شده در اقتصاد برتر پنج مجلاتهر آزمایش به اندازه اسمی 5 ٪ دست می یابد.با این حال ، تعداد متوسط از آزمایشات در هر مطالعه 12 است. در نتیجه ، بیش از یک سوم مطالعات رد می کنند حداقل یکی از این آزمایشات و روشهای تشخیصی آنها نامعتبر است توجیه فرض شناسایی.ما یک روش آزمایش مشترک را ارائه می دهیم مشکل آزمایش چندگانه را برطرف کنید.رویه ما مبتنی بر مفصل جدید است نرمال بودن بدون علامت تخمین های خطی محلی و تراکم چند جمله ای محلی تخمین هادر مطالعات شبیه سازی ، روشهای آزمایش مشترک ما بهتر است تصحیح Bonferroni.ما این روش را به عنوان یک بسته R ، rdtest ، با دو نمونه تجربی در ویگیتهای آن.

We propose a factor network autoregressive (FNAR) model for time series with complex network structures. The coefficients of the model reflect many different types of connections between economic agents (multilayer network), which are summarized into a smaller number of network matrices (network factors) through a novel tensor-based principal component approach. We provide consistency and asymptotic normality results for the estimation of the factors and the coefficients of the FNAR. Our approach combines two different dimension-reduction techniques and can be applied to ultra-high-dimensional datasets. In an empirical application, we use the FNAR to investigate the cross-country interdependence of GDP growth rates based on a variety of international trade and financial linkages. The model provides a rich characterization of macroeconomic network effects.

ما یک مدل اتورگرایی شبکه فاکتور (FNAR) را برای سری های زمانی ارائه می دهیم ساختارهای پیچیده شبکه.ضرایب مدل بسیاری را منعکس می کند انواع مختلف اتصالات بین عوامل اقتصادی (شبکه چند لایه) ، که در تعداد کمتری از ماتریس شبکه خلاصه می شوند (شبکه عوامل) از طریق یک رویکرد اصلی مؤلفه مبتنی بر تنسور.ما فراهم می کنیم ثبات و نرمال بودن بدون علامت برای برآورد عوامل و ضرایب FNAR.رویکرد ما دو متفاوت است تکنیک های کاهش ابعاد و می توان برای فوق العاده بالایی استفاده کرد مجموعه داده هادر یک برنامه تجربی ، ما از FNAR برای بررسی وابستگی متقابل کشور به نرخ رشد تولید ناخالص داخلی بر اساس انواع مختلف تجارت بین المللی و پیوندهای مالی.این مدل غنی را فراهم می کند خصوصیات اثرات شبکه کلان اقتصادی.

The effects of treatments are often heterogeneous, depending on the observable characteristics, and it is necessary to exploit such heterogeneity to devise individualized treatment rules (ITRs). Existing estimation methods of such ITRs assume that the available experimental or observational data are derived from the target population in which the estimated policy is implemented. However, this assumption often fails in practice because of limited useful data. In this case, policymakers must rely on the data generated in the source population, which differs from the target population. Unfortunately, existing estimation methods do not necessarily work as expected in the new setting, and strategies that can achieve a reasonable goal in such a situation are required. This study examines the application of distributionally robust optimization (DRO), which formalizes an ambiguity about the target population and adapts to the worst-case scenario in the set. It is shown that DRO with Wasserstein distance-based characterization of ambiguity provides simple intuitions and a simple estimation method. I then develop an estimator for the distributionally robust ITR and evaluate its theoretical performance. An empirical application shows that the proposed approach outperforms the naive approach in the target population.

اثرات درمانها بسته به خصوصیات قابل مشاهده ، و استفاده از چنین ناهمگونی لازم است برای تدوین قوانین درمانی فردی (ITR).روشهای تخمین موجود چنین ITR ها فرض می کنند که داده های آزمایشی یا مشاهده ای موجود هستند مشتق شده از جمعیت هدف که در آن سیاست تخمین زده شده است پیاده سازی شدهبا این حال ، این فرض اغلب در عمل به دلیل ناکام است داده های مفید محدوددر این حالت ، سیاست گذاران باید به داده های تولید شده اعتماد کنند در جمعیت منبع ، که با جمعیت هدف متفاوت است. متأسفانه ، روشهای برآورد موجود لزوماً همانطور که انتظار می رود کار نمی کنند در تنظیمات جدید ، و استراتژی هایی که می توانند در چنین هدف معقول و منطقی به دست بیاورند وضعیت لازم استاین مطالعه به بررسی کاربرد توزیع می پردازد بهینه سازی قوی (DRO) ، که ابهام در مورد هدف را رسمی می کند جمعیت و سازگار با بدترین حالت در مجموعه است.نشان داده شده است که DRO با توصیف مبتنی بر فاصله Wasserstein از ابهام فراهم می کند شهودهای ساده و یک روش تخمین ساده.سپس یک برآوردگر تهیه می کنم برای ITR توزیع کننده قوی و عملکرد نظری آن را ارزیابی کنید. یک برنامه تجربی نشان می دهد که رویکرد پیشنهادی از ساده لوحانه بهتر است رویکرد در جمعیت هدف.

Empirically, many strategic settings are characterized by stable outcomes in which players' decisions are publicly observed, yet no player takes the opportunity to deviate. To analyze such situations in the presence of incomplete information, we build an empirical framework by introducing a novel solution concept that we call Bayes stable equilibrium. Our framework allows the researcher to be agnostic about players' information and the equilibrium selection rule. The Bayes stable equilibrium identified set collapses to the complete information pure strategy Nash equilibrium identified set under strong assumptions on players' information. Furthermore, all else equal, it is weakly tighter than the Bayes correlated equilibrium identified set. We also propose computationally tractable approaches for estimation and inference. In an application, we study the strategic entry decisions of McDonald's and Burger King in the US. Our results highlight the identifying power of informational assumptions and show that the Bayes stable equilibrium identified set can be substantially tighter than the Bayes correlated equilibrium identified set. In a counterfactual experiment, we examine the impact of increasing access to healthy food on the market structures in Mississippi food deserts.

از نظر تجربی ، بسیاری از تنظیمات استراتژیک با نتایج پایدار در مشخص می شوند کدام تصمیمات بازیکنان به طور عمومی مشاهده می شود ، اما هیچ بازیکنی از آن استفاده نمی کند فرصتی برای انحرافبرای تجزیه و تحلیل چنین شرایطی در حضور اطلاعات ناقص ، ما با معرفی یک رمان یک چارچوب تجربی می سازیم مفهوم راه حل که ما آن را تعادل پایدار می نامیم.چارچوب ما اجازه می دهد محقق در مورد اطلاعات بازیکنان و تعادل آگنوستیک است قانون انتخابتعادل پایدار بیز مجموعه مشخص شده به اطلاعات کامل استراتژی خالص تعادل Nash مشخص شده تحت قوی فرضیات مربوط به اطلاعات بازیکنان.علاوه بر این ، همه چیز برابر است ، ضعیف است محکم تر از مجموعه مشخص شده با بیزز.ما نیز پیشنهاد می کنیم رویکردهای محاسباتی قابل کنترل برای تخمین و استنباط.در یک برنامه ، ما تصمیمات ورود استراتژیک مک دونالد و برگر را مطالعه می کنیم پادشاه در ایالات متحدهنتایج ما قدرت شناسایی اطلاعاتی را برجسته می کند فرضیات و نشان می دهد که مجموعه مشخص شده تعادل Bayes می تواند باشد به طور قابل ملاحظه ای محکم تر از مجموعه مشخص شده تعادل بیز.که در یک آزمایش خلاف واقع ، ما تأثیر افزایش دسترسی به آن را بررسی می کنیم غذای سالم در سازه های بازار در بیابان های غذایی می سی سی پی.

This paper considers the estimation of discrete games of complete information without assumptions on the equilibrium selection rule, which is often viewed as computationally difficult. We propose computationally attractive approaches that avoid simulation and grid search. We show that the moment inequalities proposed by Andrews, Berry, and Jia (2004) can be expressed in terms of multinomial logit probabilities, and the corresponding identified set is convex. When actions are binary, we can characterize the sharp identified set using closed-form inequalities. We also propose a simple approach to inference. Two real-data experiments illustrate that our methodology can be several orders of magnitude faster than the existing approaches.

در این مقاله تخمین بازی های گسسته از اطلاعات کامل در نظر گرفته شده است بدون فرضیه در مورد قانون انتخاب تعادل ، که اغلب به عنوان مشاهده می شود از نظر محاسباتی دشوار است.ما رویکردهای محاسباتی جذاب را پیشنهاد می کنیم که از شبیه سازی و جستجوی شبکه جلوگیری می کنند.ما نشان می دهیم که نابرابری های لحظه ای پیشنهاد شده توسط اندروز ، بری و جیا (2004) از نظر می توان بیان کرد احتمالات ورود به سیستم چندمجمی ، و مجموعه مشخص شده مربوطه است محدبهنگامی که اقدامات باینری است ، می توانیم مجموعه مشخص شده تیز را توصیف کنیم با استفاده از نابرابری های شکل بسته.ما همچنین یک رویکرد ساده برای استنباط پیشنهاد می کنیم. دو آزمایش داده های واقعی نشان می دهد که روش ما می تواند چندین سفارش باشد از بزرگی سریعتر از رویکردهای موجود.

Information retrieval systems, such as online marketplaces, news feeds, and search engines, are ubiquitous in today's digital society. They facilitate information discovery by ranking retrieved items on predicted relevance, i.e. likelihood of interaction (click, share) between users and items. Typically modeled using past interactions, such rankings have a major drawback: interaction depends on the attention items receive. A highly-relevant item placed outside a user's attention could receive little interaction. This discrepancy between observed interaction and true relevance is termed the position bias. Position bias degrades relevance estimation and when it compounds over time, it can silo users into false relevant items, causing marketplace inefficiencies. Position bias may be identified with randomized experiments, but such an approach can be prohibitive in cost and feasibility. Past research has also suggested propensity score methods, which do not adequately address unobserved confounding; and regression discontinuity designs, which have poor external validity. In this work, we address these concerns by leveraging the abundance of A/B tests in ranking evaluations as instrumental variables. Historical A/B tests allow us to access exogenous variation in rankings without manually introducing them, harming user experience and platform revenue. We demonstrate our methodology in two distinct applications at LinkedIn - feed ads and the People-You-May-Know (PYMK) recommender. The marketplaces comprise users and campaigns on the ads side, and invite senders and recipients on PYMK. By leveraging prior experimentation, we obtain quasi-experimental variation in item rankings that is orthogonal to user relevance. Our method provides robust position effect estimates that handle unobserved confounding well, greater generalizability, and easily extends to other information retrieval systems.

سیستم های بازیابی اطلاعات ، مانند بازارهای آنلاین ، فیدهای خبری و موتورهای جستجو ، در جامعه دیجیتال امروز همه گیر هستند.آنها تسهیل می کنند کشف اطلاعات با رتبه بندی موارد بازیابی شده در ارتباط پیش بینی شده ، یعنی احتمال تعامل (کلیک ، اشتراک گذاری) بین کاربران و موارد.معمولا با استفاده از تعامل های گذشته ، چنین رتبه بندی ها اشکال بزرگی دارند: تعامل بستگی به موارد توجه دریافتی دارد.یک مورد بسیار مرتبط در خارج از توجه کاربر می تواند تعامل کمی دریافت کند.این اختلاف بین تعامل مشاهده شده و ارتباط واقعی نامیده می شود تعصب موقعیتتعصب موقعیت تخمین ارتباط و زمان آن را تخریب می کند ترکیبات با گذشت زمان ، می تواند کاربران را به موارد مربوط به کاذب ، تبدیل کند و باعث شود ناکارآمدی بازار.تعصب موقعیت ممکن است با تصادفی مشخص شود آزمایشات ، اما چنین رویکردی می تواند در هزینه و امکان سنجی ممنوع باشد. تحقیقات گذشته همچنین روشهای نمره گرایش را پیشنهاد کرده است ، که اینطور نیست به اندازه کافی به مخدوش بی نظیر رسیدگی کنید.و ناپیوستگی رگرسیون طرح ها ، که دارای اعتبار خارجی ضعیف هستند.در این کار ، ما به اینها می پردازیم نگرانی ها با استفاده از فراوانی آزمون های A/B در ارزیابی رتبه بندی به عنوان متغیرهای ابزاری.تست های تاریخی A/B به ما امکان دسترسی به اگزوژن را می دهد تنوع در رتبه بندی بدون معرفی دستی آنها ، به کاربر آسیب می رساند تجربه و درآمد پلتفرم.ما روش خود را در دو متمایز نشان می دهیم برنامه های کاربردی در LinkedIn-تبلیغات خوراک و مردم-ماه-ماه-دانستن (PYMK) توصیه کنندهبازارها شامل کاربران و کمپین های مربوط به تبلیغات هستند ، و فرستنده و گیرندگان را در PYMK دعوت کنید.با استفاده از آزمایش قبلی ، ما تنوع شبه تجربی را در رتبه بندی موارد بدست آورید که برای کاربر متعامد است ارتباط.روش ما برآورد اثر موقعیت قوی را ارائه می دهد که دسته را انجام می دهد چاه گیج کننده ، تعمیم پذیری بیشتر و به راحتی گسترش می یابد سایر سیستم های بازیابی اطلاعات.

Bounce Rate of different E-commerce websites depends on the different factors based upon the different devices through which traffic share is observed. This research paper focuses on how the type of products sold by different E-commerce websites affects the bounce rate obtained through Mobile/Desktop. It tries to explain the observations which counter the general trend of positive relation between Mobile traffic share and bounce rate and how this is different for the Desktop. To estimate the differences created by the types of products sold by E-commerce websites on the bounce rate according to the data observed for different time, fixed effect model (within group method) is used to determine the difference created by the factors. Along with the effect of the type of products sold by the E-commerce website on bounce rate, the effect of individual website is also compared to verify the results obtained for type of products.

نرخ گزاف گویی وب سایتهای مختلف تجارت الکترونیکی به عوامل مختلف بستگی دارد بر اساس دستگاه های مختلفی که از طریق آن سهم ترافیک مشاهده می شود.این مقاله تحقیقاتی بر چگونگی نوع محصولات فروخته شده توسط تجارت الکترونیکی مختلف متمرکز است وب سایت ها بر میزان گزاف گویی به دست آمده از طریق تلفن همراه/دسک تاپ تأثیر می گذارد.سعی می کند مشاهداتی را که مخالف روند کلی رابطه مثبت است توضیح دهید بین سهم ترافیک موبایل و نرخ گزاف گویی و چگونگی این تفاوت برای دسکتاپ.برای برآورد تفاوت های ایجاد شده توسط انواع محصولات فروخته شده توسط وب سایت های تجارت الکترونیکی با توجه به داده های مشاهده شده برای نرخ گزاف گویی زمان متفاوت ، مدل اثر ثابت (در روش گروهی) برای تعیین استفاده می شود تفاوت ایجاد شده توسط عوامل.همراه با اثر نوع محصولات فروخته شده توسط وب سایت تجارت الکترونیکی با نرخ گزاف گویی ، تأثیر آن وب سایت انفرادی همچنین برای تأیید نتایج به دست آمده برای نوع مقایسه شده است محصولات

This paper proposes strategies to detect time reversibility in stationary stochastic processes by using the properties of mixed causal and noncausal models. It shows that they can also be used for non-stationary processes when the trend component is computed with the Hodrick-Prescott filter rendering a time-reversible closed-form solution. This paper also links the concept of an environmental tipping point to the statistical property of time irreversibility and assesses fourteen climate indicators. We find evidence of time irreversibility in $GHG$ emissions, global temperature, global sea levels, sea ice area, and some natural oscillation indices. While not conclusive, our findings urge the implementation of correction policies to avoid the worst consequences of climate change and not miss the opportunity window, which might still be available, despite closing quickly.

در این مقاله استراتژی هایی برای تشخیص برگشت پذیری زمان در ثابت ارائه شده است فرآیندهای تصادفی با استفاده از خواص علیت و غیر علت مخلوط مدل ها.این نشان می دهد که آنها همچنین می توانند برای فرآیندهای غیر ثابت استفاده شوند مؤلفه روند با فیلتر Hodrick-Prescott محاسبه می شود راه حل بسته زمان برگشت پذیر.این مقاله همچنین مفهوم یک نکته مهم محیط زیست به خاصیت آماری برگشت ناپذیری زمان و چهارده شاخص آب و هوا را ارزیابی می کند.ما شواهدی از زمان پیدا می کنیم برگشت ناپذیری در انتشار گازهای گلخانه ای $ ، دمای جهانی ، سطح دریای جهانی ، دریا منطقه یخ و برخی از شاخص های نوسان طبیعی.در حالی که قطعی نیست ، ما یافته ها از اجرای سیاست های تصحیح برای جلوگیری از بدترین عواقب تغییرات آب و هوا و از دست دادن پنجره فرصت ، که ممکن است با وجود بسته شدن سریع ، هنوز در دسترس است.

$p$-Hacking can undermine the validity of empirical studies. A flourishing empirical literature investigates the prevalence of $p$-hacking based on the empirical distribution of reported $p$-values across studies. Interpreting results in this literature requires a careful understanding of the power of methods used to detect different types of $p$-hacking. We theoretically study the implications of likely forms of $p$-hacking on the distribution of reported $p$-values and the power of existing methods for detecting it. Power can be quite low, depending crucially on the particular $p$-hacking strategy and the distribution of actual effects tested by the studies. Publication bias can enhance the power for testing the joint null hypothesis of no $p$-hacking and no publication bias. We relate the power of the tests to the costs of $p$-hacking and show that power tends to be larger when $p$-hacking is very costly. Monte Carlo simulations support our theoretical results.

$ P $ -hacking می تواند اعتبار مطالعات تجربی را تضعیف کند.شکوفا ادبیات تجربی شیوع $ p $ را بر اساس توزیع تجربی گزارش شده از ارزش $ P $ در طول مطالعات.تفسیر نتایج این ادبیات نیاز به درک دقیق از قدرت دارد روشهای استفاده شده برای تشخیص انواع مختلف $ p $ -hacking.ما از لحاظ تئوریکی مطالعه می کنیم پیامدهای اشکال احتمالی $ p $ در توزیع گزارش شده $ p $ -values و قدرت روش های موجود برای تشخیص آن.قدرت می تواند باشد بسته به استراتژی خاص $ $-$ و موارد بسیار کم ، بسیار کم است توزیع اثرات واقعی آزمایش شده توسط مطالعات.تعصب انتشار می تواند قدرت را برای آزمایش فرضیه تهی مشترک از $ p $ -hacking و بدون تعصب انتشار.ما قدرت تست ها را به هزینه های مربوط می کنیم $ p $ -hacking و نشان دهید که قدرت وقتی بیشتر است-وقتی $ p $-hacking بسیار بیشتر است هزینه بر.شبیه سازی مونت کارلو از نتایج نظری ما پشتیبانی می کند.

We introduce the closed-form formulas of nonlinear forecasts and nonlinear impulse response functions (IRF) for the mixed causal-noncausal (Structural) Vector Autoregressive (S)VAR models. We also discuss the identification of nonlinear causal innovations of the model to which the shocks are applied. Our approach is illustrated by a simulation study and an application to a bivariate process of Bitcoin/USD and Ethereum/USD exchange rates.

ما فرمولهای بسته بندی شده پیش بینی های غیرخطی و غیرخطی را معرفی می کنیم توابع پاسخ تکانه (IRF) برای علی علی و علت و معلولی (ساختاری) مدلهای VAR وکتور خودگردان (ها) VAR.ما همچنین در مورد شناسایی نوآوری های علی غیرخطی مدلی که از آن شوک استفاده می شود.ما رویکرد توسط یک مطالعه شبیه سازی و یک برنامه کاربردی به یک دو متغیره نشان داده شده است فرآیند نرخ ارز بیت کوین/USD و Ethereum/USD.

This paper analyses the forecasting performance of a new class of factor models with martingale difference errors (FMMDE) recently introduced by Lee and Shao (2018). The FMMDE makes it possible to retrieve a transformation of the original series so that the resulting variables can be partitioned according to whether they are conditionally mean-independent with respect to past information. We contribute to the literature in two respects. First, we propose a novel methodology for selecting the number of factors in FMMDE. Through simulation experiments, we show the good performance of our approach for finite samples for various panel data specifications. Second, we compare the forecasting performance of FMMDE with alternative factor model specifications by conducting an extensive forecasting exercise using FRED-MD, a comprehensive monthly macroeconomic database for the US economy. Our empirical findings indicate that FMMDE provides an advantage in predicting the evolution of the real sector of the economy when the novel methodology for factor selection is adopted. These results are confirmed for key aggregates such as Production and Income, the Labor Market, and Consumption.

در این مقاله عملکرد پیش بینی یک کلاس جدید از فاکتور تجزیه و تحلیل شده است مدل هایی با خطاهای تفاوت Martingale (FMMDE) که اخیراً توسط لی معرفی شده است شائو (2018).FMMDE امکان بازیابی یک تحول را فراهم می کند سری اصلی به طوری که متغیرهای حاصل را می توان با توجه به تقسیم بندی کرد این که آیا آنها با توجه به گذشته مستقل هستند. اطلاعاتما از دو طرف به ادبیات کمک می کنیم.اول ، ما پیشنهاد می کنیم یک روش جدید برای انتخاب تعداد عوامل در FMMDE.از طریق آزمایش های شبیه سازی ، ما عملکرد خوب رویکرد خود را برای محدود نشان می دهیم نمونه برای مشخصات مختلف داده پانل.دوم ، ما مقایسه می کنیم پیش بینی عملکرد FMMDE با مشخصات مدل فاکتور جایگزین با انجام یک تمرین پیش بینی گسترده با استفاده از Fred-MD ، یک جامع بانک اطلاعاتی کلان اقتصادی ماهانه برای اقتصاد ایالات متحده.یافته های تجربی ما نشان می دهد که FMMDE یک مزیت در پیش بینی تکامل این است بخش واقعی اقتصاد وقتی روش جدید برای انتخاب فاکتور است اتخاذ شدهاین نتایج برای مصالح کلیدی مانند تولید و درآمد ، بازار کار و مصرف.

The 1938 Fair Labor Standards Act mandates overtime premium pay for most U.S. workers, but it has proven difficult to assess the policy's impact on the labor market because the rule applies nationally and has varied little over time. I use the extent to which firms bunch workers at the overtime threshold of 40 hours in a week to estimate the rule's effect on hours, drawing on data from individual workers' weekly paychecks. To do so I generalize a popular identification strategy that exploits bunching at kink points in a decision-maker's choice set. Making only nonparametric assumptions about preferences and heterogeneity, I show that the average causal response among bunchers to the policy switch at the kink is partially identified. The bounds indicate a relatively small elasticity of demand for weekly hours, suggesting that the overtime mandate has a discernible but limited impact on hours and employment.

قانون استاندارد کار عادلانه کار در سال 1938 ، حق بیمه اضافه کاری را برای اکثر ایالات متحده پرداخت می کند کارگران ، اما ارزیابی تأثیر این سیاست بر نیروی کار دشوار بوده است بازار زیرا این قانون در سطح ملی اعمال می شود و با گذشت زمان کمی متفاوت است.من از میزان بنگاه های کارگران در آستانه اضافه کاری 40 استفاده کنید ساعت در هفته برای برآورد اثر قانون در ساعت ها ، ترسیم داده ها از چک های هفتگی کارگران.برای انجام این کار ، من یک محبوب را تعمیم می دهم استراتژی شناسایی که از Bunching در Kink Points در a استفاده می کند مجموعه انتخاب تصمیم گیرنده.فقط فرضیات غیرپارامتری در مورد ترجیحات و ناهمگونی ، من نشان می دهم که متوسط پاسخ علی در بین دسته های مربوط به سوئیچ خط مشی در Kink تا حدی مشخص شده است.مرزها خاصیت ارتجاعی نسبتاً کمی از تقاضا برای ساعات هفتگی را نشان می دهد ، که دستورالعمل اضافه کاری تأثیر قابل تشخیص اما محدودی در ساعت ها دارد و استخدام.

This paper proposes maximum (quasi)likelihood estimation for high dimensional factor models with regime switching in the loadings. The model parameters are estimated jointly by the EM (expectation maximization) algorithm, which in the current context only requires iteratively calculating regime probabilities and principal components of the weighted sample covariance matrix. When regime dynamics are taken into account, smoothed regime probabilities are calculated using a recursive algorithm. Consistency, convergence rates and limit distributions of the estimated loadings and the estimated factors are established under weak cross-sectional and temporal dependence as well as heteroscedasticity. It is worth noting that due to high dimension, regime switching can be identified consistently after the switching point with only one observation. Simulation results show good performance of the proposed method. An application to the FRED-MD dataset illustrates the potential of the proposed method for detection of business cycle turning points.

در این مقاله حداکثر (شبه) برآورد احتمال برای ابعاد بالا ارائه شده است مدل های فاکتور با تعویض رژیم در بارهای.پارامترهای مدل هستند به طور مشترک توسط الگوریتم EM (انتظار حداکثر) تخمین زده می شود ، که در زمینه فعلی فقط نیاز به محاسبه تکراری احتمال رژیم و اجزای اصلی ماتریس کواریانس نمونه وزنی.وقتی رژیم پویایی در نظر گرفته می شود ، احتمالات رژیم صاف محاسبه می شود با استفاده از یک الگوریتم بازگشتی.قوام ، نرخ همگرایی و حد توزیع بارهای تخمین زده شده و عوامل تخمین زده شده است تحت وابستگی مقطعی و زمانی ضعیف و همچنین تأسیس شده است ناهمگونی.شایان ذکر است که به دلیل ابعاد بالا ، رژیم سوئیچینگ را می توان به طور مداوم بعد از نقطه تعویض با تنها شناسایی کرد یک مشاهدهنتایج شبیه سازی عملکرد خوب پیشنهادی را نشان می دهد روش.یک برنامه کاربردی برای مجموعه داده های FRED-MD پتانسیل را نشان می دهد روش پیشنهادی برای تشخیص نقاط چرخش چرخه تجارت.

Auction data often contain information on only the most competitive bids as opposed to all bids. The usual measurement error approaches to unobserved heterogeneity are inapplicable due to dependence among order statistics. We bridge this gap by providing a set of positive identification results. First, we show that symmetric auctions with discrete unobserved heterogeneity are identifiable using two consecutive order statistics and an instrument. Second, we extend the results to ascending auctions with unknown competition and unobserved heterogeneity.

داده های حراج اغلب حاوی اطلاعاتی در مورد رقابتی ترین پیشنهادات است مخالف همه پیشنهادات.خطای اندازه گیری معمول به غیرقانونی رویکرد ناهمگونی به دلیل وابستگی به آمار سفارش غیرقابل استفاده است.ما با ارائه مجموعه ای از نتایج شناسایی مثبت ، این شکاف را پل کنید.اولین، ما نشان می دهیم که حراج های متقارن با ناهمگونی بی نظیر گسسته هستند با استفاده از دو آمار سفارش متوالی و یک ابزار قابل شناسایی است.دومین، ما نتایج را به حراج های صعودی با رقابت ناشناخته و ناهمگونی بدون نظارت.

This paper proposes a fast two-stage variational Bayesian (VB) algorithm to estimate unrestricted panel spatial autoregressive models. Using Dirichlet-Laplace priors, we are able to uncover the spatial relationships between cross-sectional units without imposing any a priori restrictions. Monte Carlo experiments show that our approach works well for both long and short panels. We are also the first in the literature to develop VB methods to estimate large covariance matrices with unrestricted sparsity patterns, which are useful for popular large data models such as Bayesian vector autoregressions. In empirical applications, we examine the spatial interdependence between euro area sovereign bond ratings and spreads. We find marked differences between the spillover behaviours of the northern euro area countries and those of the south.

در این مقاله یک الگوریتم سریع دو مرحله ای Bayesian (VB) ارائه شده است مدل های خودجوش مکانی بدون محدودیت پانل را تخمین بزنید.استفاده كردن Dirichlet-Laplace Preors ، ما قادر به کشف روابط مکانی هستیم بین واحدهای مقطعی بدون تحمیل محدودیت های پیشینی.مونت آزمایشات کارلو نشان می دهد که رویکرد ما برای هر دو طولانی و کوتاه خوب کار می کند پانل هاما همچنین اولین کسی هستیم که روشهای VB را توسعه می دهیم برآورد ماتریس های کواریانس بزرگ با الگوهای کمبود محدوده ، که برای مدلهای داده بزرگ محبوب مانند بردار بیزی مفید هستند اتورژهایدر کاربردهای تجربی ، مکانی را بررسی می کنیم وابستگی متقابل بین رتبه بندی اوراق بهادار منطقه یورو و گسترش.ما پیدا می کنیم تفاوتهای مشخص بین رفتارهای سرریز منطقه یورو شمالی کشورها و کشورهای جنوب.

Jumps and market microstructure noise are stylized features of high-frequency financial data. It is well known that they introduce bias in the estimation of volatility (including integrated and spot volatilities) of assets, and many methods have been proposed to deal with this problem. When the jumps are intensive with infinite variation, the efficient estimation of spot volatility under serially dependent noise is not available and is thus in need. For this purpose, we propose a novel estimator of spot volatility with a hybrid use of the pre-averaging technique and the empirical characteristic function. Under mild assumptions, the results of consistency and asymptotic normality of our estimator are established. Furthermore, we show that our estimator achieves an almost efficient convergence rate with optimal variance when the jumps are either less active or active with symmetric structure. Simulation studies verify our theoretical conclusions. We apply our proposed estimator to empirical analyses, such as estimating the weekly volatility curve using second-by-second transaction price data.

پرش و سر و صدای ریزساختار بازار از ویژگی های تلفیقی با فرکانس بالا هستند داده های مالیکاملاً شناخته شده است که آنها در تخمین تعصب را معرفی می کنند نوسانات (از جمله نوسانات یکپارچه و نقطه ای) دارایی ها ، و بسیاری روش هایی برای مقابله با این مشکل پیشنهاد شده است.وقتی پرش ها هستند فشرده با تنوع بی نهایت ، برآورد کارآمد نوسانات نقطه تحت سر و صدای وابسته به سریال در دسترس نیست و از این رو نیاز دارد.برای این هدف ، ما یک برآوردگر جدید از نوسانات نقطه را با استفاده از ترکیبی پیشنهاد می کنیم تکنیک پیش از متوسط و عملکرد مشخصه تجربی.زیر فرضیات خفیف ، نتایج قوام و عادی بودن بدون علامت ما برآوردگر تأسیس شده است.علاوه بر این ، ما نشان می دهیم که برآوردگر ما به یک تقریباً کارآمد همگرایی با واریانس بهینه هنگام پرش ها یا با ساختار متقارن کمتر فعال یا فعال است.مطالعات شبیه سازی نتیجه گیری نظری ما را تأیید کنید.ما برآوردگر پیشنهادی خود را به اعمال می کنیم تجزیه و تحلیل تجربی ، مانند تخمین منحنی نوسانات هفتگی با استفاده از داده های قیمت معاملات دوم به ثانیه.

In this paper, we consider a wide class of time-varying multivariate causal processes which nests many classic and new examples as special cases. We first prove the existence of a weakly dependent stationary approximation for our model which is the foundation to initiate the theoretical development. Afterwards, we consider the QMLE estimation approach, and provide both point-wise and simultaneous inferences on the coefficient functions. In addition, we demonstrate the theoretical findings through both simulated and real data examples. In particular, we show the empirical relevance of our study using an application to evaluate the conditional correlations between the stock markets of China and U.S. We find that the interdependence between the two stock markets is increasing over time.

در این مقاله ، ما یک کلاس گسترده از علت چند متغیره متغیر را در نظر می گیریم فرآیندهایی که بسیاری از نمونه های کلاسیک و جدید را به عنوان موارد خاص لانه می کند.ما اول وجود یک تقریب ثابت ضعیف برای ما را اثبات کنید الگویی که پایه و اساس توسعه نظری است. پس از آن ، ما رویکرد تخمین QMLE را در نظر می گیریم و هر دو را ارائه می دهیم استنتاج نقطه ای و همزمان در عملکردهای ضریب.که در علاوه بر این ، ما یافته های نظری را از طریق هر دو شبیه سازی شده و نمونه های واقعی داده ها.به ویژه ، ما ارتباط تجربی مطالعه خود را نشان می دهیم استفاده از یک برنامه برای ارزیابی همبستگی مشروط بین سهام بازارهای چین و ایالات متحده متوجه می شویم که وابستگی متقابل بین این دو بازارهای سهام با گذشت زمان در حال افزایش است.

There is a vast literature on the determinants of subjective wellbeing. International organisations and statistical offices are now collecting such survey data at scale. However, standard regression models explain surprisingly little of the variation in wellbeing, limiting our ability to predict it. In response, we here assess the potential of Machine Learning (ML) to help us better understand wellbeing. We analyse wellbeing data on over a million respondents from Germany, the UK, and the United States. In terms of predictive power, our ML approaches do perform better than traditional models. Although the size of the improvement is small in absolute terms, it turns out to be substantial when compared to that of key variables like health. We moreover find that drastically expanding the set of explanatory variables doubles the predictive power of both OLS and the ML approaches on unseen data. The variables identified as important by our ML algorithms - $i.e.$ material conditions, health, and meaningful social relations - are similar to those that have already been identified in the literature. In that sense, our data-driven ML results validate the findings from conventional approaches.

ادبیات گسترده ای در مورد عوامل تعیین کننده بهزیستی ذهنی وجود دارد. سازمان های بین المللی و دفاتر آماری هم اکنون در حال جمع آوری چنین هستند داده های بررسی در مقیاس.با این حال ، مدل های رگرسیون استاندارد با کمال تعجب توضیح می دهند کمی از تغییر در بهزیستی ، توانایی ما در پیش بینی آن را محدود می کند.که در پاسخ ، ما در اینجا پتانسیل یادگیری ماشین (ML) را برای کمک به ما ارزیابی می کنیم بهتر درک سلامتی را درک کنید.ما داده های بهزیستی بیش از یک میلیون را تجزیه و تحلیل می کنیم پاسخ دهندگان از آلمان ، انگلیس و ایالات متحده.از نظر پیش بینی کننده قدرت ، رویکردهای ML ما بهتر از مدل های سنتی عمل می کنند.با اينكه اندازه بهبود از نظر مطلق كوچك است ، به نظر می رسد قابل توجه در مقایسه با متغیرهای کلیدی مانند سلامتی.ما علاوه بر این پیدا کنید که گسترش چشمگیر مجموعه متغیرهای توضیحی دو برابر می شود قدرت پیش بینی کننده هر دو OLS و رویکرد ML بر روی داده های غیب.در متغیرهای مشخص شده توسط الگوریتم های ML ما - $ یعنی مواد $ شرایط ، سلامتی و روابط اجتماعی معنی دار - شبیه به مواردی است که قبلاً در ادبیات مشخص شده است.به این معنا ، داده های ما محور است نتایج ML یافته های مربوط به رویکردهای متعارف را تأیید می کند.

We consider the problem of inference in shift-share research designs. The choice between existing approaches that allow for unrestricted spatial correlation involves tradeoffs, varying in terms of their validity when there are relatively few or concentrated shocks, and in terms of the assumptions on the shock assignment process and treatment effects heterogeneity. We propose alternative randomization inference methods that combine the advantages of different approaches. These methods are valid in finite samples under relatively stronger assumptions, while asymptotically valid under weaker assumptions.

ما مشکل استنباط در طرح های تحقیقاتی سهم را در نظر می گیریم.در انتخاب بین رویکردهای موجود که امکان نامحدود مکانی را فراهم می کند همبستگی شامل تجارت است ، از نظر اعتبار آنها در هنگام وجود متفاوت است شوک نسبتاً کمی یا متمرکز و از نظر فرضیات موجود است فرآیند تکلیف شوک و بر ناهمگونی تأثیر می گذارد.ما پیشنهاد می کنیم روشهای استنتاج تصادفی جایگزین که مزایای آن را ترکیب می کند رویکردهای مختلفاین روشها در نمونه های محدود تحت عنوان معتبر هستند فرضیات نسبتاً قوی تر ، در حالی که به صورت بدون علامت تحت ضعف معتبر است فرضیات

As of May 2022, the coronavirus disease 2019 (COVID-19) still has a severe global impact on people's lives. Previous studies have reported that COVID-19 decreased the electricity demand in early 2020. However, our study found that the electricity demand increased in summer and winter even when the infection was widespread. The fact that the event has continued over two years suggests that it is essential to introduce the method which can estimate the impact of the event for long period considering seasonal fluctuations. We employed the Bayesian structural time-series model to estimate the causal impact of COVID-19 on electricity demand in Japan. The results indicate that behavioral restrictions due to COVID-19 decreased the daily electricity demand (-5.1% in weekdays, -6.1% in holidays) in April and May 2020 as indicated by previous studies. However, even in 2020, the results show that the demand increases in the hot summer and cold winter (the increasing rate is +14% in the period from 1st August to 15th September 2020, and +7.6% from 16th December 2020 to 15th January 2021). This study shows that the significant decrease in electricity demand for the business sector exceeded the increase in demand for the household sector in April and May 2020; however, the increase in demand for the households exceeded the decrease in demand for the business in hot summer and cold winter periods. Our result also implies that it is possible to run out of electricity when people's behavior changes even if they are less active.

از ماه مه 2022 ، بیماری Coronavirus 2019 (COVID-19) هنوز هم شدید است تأثیر جهانی بر زندگی مردم.مطالعات قبلی گزارش داده اند که Covid-19 تقاضای برق در اوایل سال 2020 کاهش یافته است. با این حال ، مطالعه ما نشان داد که تقاضای برق در تابستان و زمستان حتی در هنگام عفونت افزایش یافته است گسترده بوداین واقعیت که این رویداد بیش از دو سال ادامه داشته است نشان می دهد معرفی روشی که می تواند تأثیر آن را تخمین بزند ضروری است این رویداد برای مدت طولانی با توجه به نوسانات فصلی.ما استخدام کردیم مدل سری ساختاری بیزی برای برآورد تأثیر علی COVID-19 در مورد تقاضای برق در ژاپن.نتایج نشان می دهد که رفتاری محدودیت های ناشی از COVID-19 باعث کاهش تقاضای برق روزانه می شود (1 /5 ٪ در روزهای هفته ، -6.1 ٪ در تعطیلات) در آوریل و مه 2020 همانطور که در گذشته نشان داده شده است مطالعات.با این حال ، حتی در سال 2020 ، نتایج نشان می دهد که تقاضا افزایش می یابد تابستان گرم و زمستان سرد (نرخ روزافزون در دوره از 14 ٪ است اول اوت تا 15 سپتامبر 2020 ، و 7.6 ٪ از شانزدهم دسامبر 2020 تا 15 ژانویه 2021).این مطالعه نشان می دهد که کاهش قابل توجه در برق تقاضا برای بخش تجارت از افزایش تقاضا برای بخش خانوار در آوریل و مه 2020 ؛با این حال ، افزایش تقاضا برای خانوارها از کاهش تقاضا برای تجارت در تابستان گرم و دوره های زمستانی سرد.نتیجه ما همچنین دلالت بر این دارد که امکان اتمام آن وجود دارد برق وقتی رفتار افراد حتی اگر کمتر فعال باشند تغییر می کند.

The Neyman Allocation and its conditional counterpart are used in many papers on experiment design, which typically assume that researchers have access to large pilot studies. This may not be realistic. To understand the properties of the Neyman Allocation with small pilots, we study its behavior in a novel asymptotic framework for two-wave experiments in which the pilot size is assumed to be fixed while the main wave sample size grows. Our analysis shows that the Neyman Allocation can lead to estimates of the ATE with higher asymptotic variance than with (non-adaptive) balanced randomization. In particular, this happens when the outcome variable is relatively homoskedastic with respect to treatment status or when it exhibits high kurtosis. We also provide a series of empirical examples showing that these situations arise frequently in practice. Our results suggest that researchers should not use the Neyman Allocation with small pilots, especially in such instances.

تخصیص نیمن و همتای مشروط آن در بسیاری از مقالات استفاده می شود در طراحی آزمایش ، که به طور معمول فرض می کند که محققان به آن دسترسی دارند مطالعات آزمایشی بزرگ.این ممکن است واقع بینانه نباشد.برای درک خواص تخصیص نیان با خلبانان کوچک ، ما رفتار آن را در یک رمان مطالعه می کنیم چارچوب بدون علامت برای آزمایش های دو موج که در آن اندازه آزمایشی است فرض می شود که در حالی که اندازه نمونه اصلی موج رشد می کند ، ثابت شده است.تجزیه و تحلیل ما نشان می دهد اینکه تخصیص نیمن می تواند منجر به تخمین ATE با بالاتر شود واریانس بدون علامت نسبت به تصادفی (غیر سازگار) متعادل.که در به طور خاص ، این اتفاق می افتد که متغیر نتیجه نسبتاً homoskedastic باشد با توجه به وضعیت درمانی یا هنگامی که کورتوز بالایی را نشان می دهد.ما همچنین مجموعه ای از نمونه های تجربی را ارائه دهید که نشان می دهد این موقعیت ها بوجود می آیند اغلب در عملنتایج ما نشان می دهد که محققان نباید از آن استفاده کنند تخصیص نیان با خلبانان کوچک ، به ویژه در چنین مواردی.

Equality of opportunity has emerged as an important ideal of distributive justice. Empirically, Inequality of Opportunity (IOp) is measured in two steps: first, an outcome (e.g., income) is predicted given individual circumstances; and second, an inequality index (e.g., Gini) of the predictions is computed. Machine Learning (ML) methods are tremendously useful in the first step. However, they can cause sizable biases in IOp since the bias-variance trade-off allows the bias to creep in the second step. We propose a simple debiased IOp estimator robust to such ML biases and provide the first valid inferential theory for IOp. We demonstrate improved performance in simulations and report the first unbiased measures of income IOp in Europe. Mother's education and father's occupation are the circumstances that explain the most. Plug-in estimators are very sensitive to the ML algorithm, while debiased IOp estimators are robust. These results are extended to a general U-statistics setting.

برابری فرصت به عنوان یک ایده آل مهم توزیع پدید آمده است عدالت.از نظر تجربی ، نابرابری فرصت (IOP) در دو مرحله اندازه گیری می شود: اول ، نتیجه (به عنوان مثال ، درآمد) با توجه به شرایط فردی پیش بینی می شود. و دوم ، یک شاخص نابرابری (به عنوان مثال ، جینی) از پیش بینی ها محاسبه می شود. روشهای یادگیری ماشین (ML) در مرحله اول بسیار مفید است. با این حال ، آنها می توانند از زمان تجارت تعصب و تعصب ، باعث تعصب قابل توجهی در IOP شوند اجازه می دهد تا تعصب در مرحله دوم خزنده شود.ما یک IOP ساده و ساده را پیشنهاد می کنیم برآوردگر به چنین تعصبات ML قوی است و اولین استنباطی معتبر را ارائه می دهد نظریه IOP.ما عملکرد بهبود یافته در شبیه سازی ها را نشان می دهیم و گزارش می دهیم اولین اقدامات بی طرفانه از درآمد IOP در اروپا.آموزش مادر و شغل پدر شرایطی است که بیشترین توضیح را دارد.وصل کردن برآوردگرها نسبت به الگوریتم ML بسیار حساس هستند ، در حالی که IOP debiased برآوردگرها قوی هستند.این نتایج به یک آمار عمومی U گسترش می یابد تنظیمات.

Matching has become the mainstream in counterfactual inference, with which selection bias between sample groups can be significantly eliminated. However in practice, when estimating average treatment effect on the treated (ATT) via matching, no matter which method, the trade-off between estimation accuracy and information loss constantly exist. Attempting to completely replace the matching process, this paper proposes the GAN-ATT estimator that integrates generative adversarial network (GAN) into counterfactual inference framework. Through GAN machine learning, the probability density functions (PDFs) of samples in both treatment group and control group can be approximated. By differentiating conditional PDFs of the two groups with identical input condition, the conditional average treatment effect (CATE) can be estimated, and the ensemble average of corresponding CATEs over all treatment group samples is the estimate of ATT. Utilizing GAN-based infinite sample augmentations, problems in the case of insufficient samples or lack of common support domains can be easily solved. Theoretically, when GAN could perfectly learn the PDFs, our estimators can provide exact estimate of ATT. To check the performance of the GAN-ATT estimator, three sets of data are used for ATT estimations: Two toy data sets with 1/2 dimensional covariate inputs and constant/covariate-dependent treatment effect are tested. The estimates of GAN-ATT are proved close to the ground truth and are better than traditional matching approaches; A real firm-level data set with high-dimensional input is tested and the applicability towards real data sets is evaluated by comparing matching approaches. Through the evidences obtained from the three tests, we believe that the GAN-ATT estimator has significant advantages over traditional matching methods in estimating ATT.

تطبیق به جریان اصلی در استنتاج ضد خلاف تبدیل شده است ، که با آن تعصب انتخاب بین گروه های نمونه می تواند به طور قابل توجهی از بین برود.با این حال در عمل ، هنگام برآورد میانگین تأثیر درمانی بر روی درمان شده (ATT) از طریق تطبیق ، مهم نیست که کدام روش ، تجارت بین دقت تخمین و از دست دادن اطلاعات به طور مداوم وجود دارد.تلاش برای جایگزینی کامل فرآیند تطبیق ، این مقاله برآوردگر Gan-Att را ارائه می دهد که ادغام می شود شبکه مخالف تولید کننده (GAN) به چارچوب استنتاج ضد خلاف. از طریق یادگیری ماشین GAN ، عملکرد چگالی احتمال (PDF) از نمونه ها در هر دو گروه درمانی و گروه کنترل قابل تقریب هستند.توسط تمایز PDF های مشروط از دو گروه با ورودی یکسان شرط ، می توان اثر متوسط درمانی مشروط (CATE) را تخمین زد ، و میانگین گروه Cates مربوطه در تمام گروه درمانی نمونه تخمین ATT است.استفاده از نمونه بی نهایت مبتنی بر GAN تقویت ، مشکلات در مورد نمونه های کافی یا عدم وجود مشترک دامنه های پشتیبانی را می توان به راحتی حل کرد.از لحاظ تئوریکی ، وقتی گان کاملاً می توانست PDF ها را بیاموزید ، برآوردگرهای ما می توانند برآورد دقیقی از ATT ارائه دهند. برای بررسی عملکرد برآوردگر GAN-ATT ، سه مجموعه از داده ها هستند برای برآورد ATT مورد استفاده قرار می گیرد: دو مجموعه داده اسباب بازی با همبستگی 1/2 بعدی ورودی ها و اثر درمانی وابسته به متغیر ثابت/متغیر مورد آزمایش قرار می گیرند.در تخمین های Gan-Att نزدیک به حقیقت زمین ثابت شده و بهتر از رویکردهای تطبیق سنتی ؛یک مجموعه داده واقعی در سطح شرکت با ورودی با ابعاد بالا مورد آزمایش قرار می گیرد و کاربردی نسبت به مجموعه داده های واقعی با مقایسه رویکردهای تطبیق ارزیابی می شود.از طریق شواهد به دست آمده از سه آزمایش ، ما معتقدیم که برآوردگر Gan-Att قابل توجه است مزایای استفاده از روشهای تطبیق سنتی در برآورد ATT.

In this paper, we provide novel definitions of clustering coefficient for weighted and directed multilayer networks. We extend in the multilayer theoretical context the clustering coefficients proposed in the literature for weighted directed monoplex networks. We quantify how deeply a node is involved in a choesive structure focusing on a single node, on a single layer or on the entire system. The coefficients convey several characteristics inherent to the complex topology of the multilayer network. We test their effectiveness applying them to a particularly complex structure such as the international trade network. The trade data integrate different aspects and they can be described by a directed and weighted multilayer network, where each layer represents import and export relationships between countries for a given sector. The proposed coefficients find successful application in describing the interrelations of the trade network, allowing to disentangle the effects of countries and sectors and jointly consider the interactions between them.

در این مقاله ، ما تعاریف جدید از ضریب خوشه بندی را برای شبکه های چند لایه وزنی و کارگردانی.ما در چند لایه گسترش می یابیم زمینه نظری ضرایب خوشه بندی پیشنهادی در ادبیات شبکه های مونوپلکس با وزنه برداری.ما تعیین می کنیم که یک گره چقدر عمیق درگیر است در یک ساختار انتخابی با تمرکز بر روی یک گره واحد ، روی یک لایه واحد یا بر روی تمام سیستم.ضرایب چندین ویژگی ذاتی را به توپولوژی پیچیده شبکه چند لایه.ما اثربخشی آنها را آزمایش می کنیم استفاده از آنها در یک ساختار خاص پیچیده مانند بین المللی شبکه تجارتداده های تجارت جنبه های مختلفی را ادغام می کنند و می توانند باشند توصیف شده توسط یک شبکه چند لایه کارگردانی و وزنی ، که در آن هر لایه نشان دهنده روابط واردات و صادرات بین کشورها برای یک داده شده است بخشضرایب پیشنهادی کاربرد موفقیت آمیز در توصیف روابط متقابل شبکه تجارت ، امکان جدا کردن اثرات کشورها و بخش ها و به طور مشترک تعامل بین آنها را در نظر می گیرند.

In this article, we present a method to forecast the Portuguese gross domestic product (GDP) in each current quarter (nowcasting). It combines bridge equations of the real GDP on readily available monthly data like the Economic Sentiment Indicator (ESI), industrial production index, cement sales or exports and imports, with forecasts for the jagged missing values computed with the well-known Hodrick and Prescott (HP) filter. As shown, this simple multivariate approach can perform as well as a Targeted Diffusion Index (TDI) model and slightly better than the univariate Theta method in terms of out-of-sample mean errors.

در این مقاله ، ما روشی را برای پیش بینی ناخالص پرتغالی ارائه می دهیم تولید داخلی (تولید ناخالص داخلی) در هر سه ماهه فعلی (Nowcasting).این پل را ترکیب می کند معادلات تولید ناخالص داخلی واقعی در مورد داده های ماهانه به راحتی در دسترس مانند اقتصادی شاخص احساسات (ESI) ، شاخص تولید صنعتی ، فروش سیمان یا صادرات و واردات ، با پیش بینی مقادیر مفقود شده محاسبه شده با فیلتر مشهور Hodrick و Prescott (HP).همانطور که نشان داده شده است ، این چند متغیره ساده رویکرد می تواند و همچنین یک مدل شاخص انتشار هدفمند (TDI) انجام دهد و کمی بهتر از روش تتا یک متغیره از نظر میانگین خارج از نمونه خطا

A factor model with a break in its factor loadings is observationally equivalent to a model without changes in the loadings but a change in the variance of its factors. This effectively transforms a structural change problem of high dimension into a problem of low dimension. This paper considers the likelihood ratio (LR) test for a variance change in the estimated factors. The LR test implicitly explores a special feature of the estimated factors: the pre-break and post-break variances can be a singular matrix under the alternative hypothesis, making the LR test diverging faster and thus more powerful than Wald-type tests. The better power property of the LR test is also confirmed by simulations. We also consider mean changes and multiple breaks. We apply the procedure to the factor modelling and structural change of the US employment using monthly industry-level-data.

یک مدل عاملی با وقفه در بارهای عامل آن از نظر مشاهده ای است معادل یک مدل بدون تغییر در بارها اما تغییر در واریانس عوامل آن.این به طور موثری یک تغییر ساختاری را تغییر می دهد مشکل بعد بالا به مشکل در ابعاد کم.این مقاله در نظر گرفته شده است آزمون نسبت احتمال (LR) برای تغییر واریانس در فاکتورهای برآورد شده. آزمایش LR به طور ضمنی ویژگی خاصی از عوامل تخمین زده شده را بررسی می کند: واریانس قبل از شکست و پس از شکستن می تواند یک ماتریس مفرد باشد فرضیه جایگزین ، ساخت آزمایش LR سریعتر و در نتیجه بیشتر قدرتمند از تست های نوع والد.خاصیت قدرت بهتر آزمون LR نیز هست تأیید شده توسط شبیه سازی ها.ما همچنین میانگین تغییرات و وقفه های متعدد را در نظر می گیریم.ما روش را در مدل سازی فاکتور و تغییر ساختاری ایالات متحده اعمال کنید اشتغال با استفاده از داده های ماهانه صنعت.

We propose a new variational approximation of the joint posterior distribution of the log-volatility in the context of large Bayesian VARs. In contrast to existing approaches that are based on local approximations, the new proposal provides a global approximation that takes into account the entire support of the joint distribution. In a Monte Carlo study we show that the new global approximation is over an order of magnitude more accurate than existing alternatives. We illustrate the proposed methodology with an application of a 96-variable VAR with stochastic volatility to measure global bank network connectedness.

ما یک تقریب تغییر جدید از خلفی مفصل پیشنهاد می کنیم توزیع واژگانی ورود به سیستم در زمینه VAR های بزرگ بیزی.که در در تضاد با رویکردهای موجود که مبتنی بر تقریب محلی است ، جدید پیشنهاد تقریب جهانی را ارائه می دهد که کل را در نظر می گیرد پشتیبانی از توزیع مشترک.در یک مطالعه مونت کارلو نشان می دهیم که جدید تقریب جهانی بیش از یک مرتبه دقیق تر از موجود است جایگزین، گزینه ها.ما روش پیشنهادی را با استفاده از a نشان می دهیم VAR 96 متغیر با نوسانات تصادفی برای اندازه گیری شبکه جهانی بانک اتصال