Datasets:

mabidan

/

econ_paper_abstracts_fa_translation

like 1

We propose a semiparametric method to estimate the average treatment effect under the assumption of unconfoundedness given observational data. Our estimation method alleviates misspecification issues of the propensity score function by estimating the single-index link function involved through Hermite polynomials. Our approach is computationally tractable and allows for moderately large dimension covariates. We provide the large sample properties of the estimator and show its validity. Also, the average treatment effect estimator achieves the parametric rate and asymptotic normality. Our extensive Monte Carlo study shows that the proposed estimator is valid in finite samples. We also provide an empirical analysis on the effect of maternal smoking on babies' birth weight and the effect of job training program on future earnings.

ما یک روش نیمهرامتری برای تخمین میانگین اثر درمانی پیشنهاد می کنیم با فرض عدم تحقیر داده های مشاهده ای.ما روش تخمین مسائل مربوط به شناسایی نمره گرایش را کاهش می دهد عملکرد با برآورد عملکرد پیوند تک شاخص درگیر از طریق هرمیت چند جمله ای ها.رویکرد ما از نظر محاسباتی قابل ردیابی است و امکان پذیر است متغیرهای ابعادی نسبتاً بزرگ.ما خواص نمونه بزرگی را ارائه می دهیم از برآوردگر و اعتبار آن را نشان می دهد.همچنین ، میانگین اثر درمانی برآوردگر به میزان پارامتری و عادی بودن بدون علامت می رسد.گسترده ما مطالعه مونت کارلو نشان می دهد که برآوردگر پیشنهادی در نمونه های محدود معتبر است. ما همچنین یک تجزیه و تحلیل تجربی در مورد تأثیر سیگار کشیدن مادران ارائه می دهیم وزن تولد نوزادان و تأثیر برنامه آموزش شغلی بر درآمد آینده.

To help systematically lower anthropogenic Greenhouse gas (GHG) emissions, accurate and precise GHG emission prediction models have become a key focus of the climate research. The appeal is that the predictive models will inform policymakers, and hopefully, in turn, they will bring about systematic changes. Since the transportation sector is constantly among the top GHG emission contributors, especially in populated urban areas, substantial effort has been going into building more accurate and informative GHG prediction models to help create more sustainable urban environments. In this work, we seek to establish a predictive framework of GHG emissions at the urban road segment or link level of transportation networks. The key theme of the framework centers around model interpretability and actionability for high-level decision-makers using econometric Discrete Choice Modelling (DCM). We illustrate that DCM is capable of predicting link-level GHG emission levels on urban road networks in a parsimonious and effective manner. Our results show up to 85.4% prediction accuracy in the DCM models' performances. We also argue that since the goal of most GHG emission prediction models focuses on involving high-level decision-makers to make changes and curb emissions, the DCM-based GHG emission prediction framework is the most suitable framework.

برای کمک به کاهش سیستماتیک گازهای گلخانه ای انسان شناسی (GHG) ، مدل های پیش بینی انتشار GHG دقیق و دقیق به یک تمرکز اصلی تبدیل شده اند تحقیقات آب و هوادرخواست تجدید نظر این است که مدل های پیش بینی کننده اطلاع رسانی می کنند سیاستگذاران و امیدوارم به نوبه خود ، آنها تغییرات سیستماتیک را به وجود آورند. از آنجا که بخش حمل و نقل دائماً جزء انتشار برتر GHG است همکاران ، به ویژه در مناطق پرجمعیت شهری ، تلاش های اساسی انجام شده است رفتن به ساخت مدلهای پیش بینی GHG دقیق تر و آموزنده تر برای کمک به محیط های شهری پایدارتر ایجاد کنید.در این کار ، ما به دنبال ایجاد هستیم یک چارچوب پیش بینی کننده انتشار گازهای گلخانه ای در بخش جاده شهری یا سطح پیوند شبکه های حمل و نقل.موضوع اصلی چارچوب مراکز اطراف مدل تفسیر و عمل پذیری برای تصمیم گیرندگان سطح بالا با استفاده از مدل سازی انتخاب گسسته اقتصاد سنجی (DCM).ما نشان می دهیم که DCM قادر است پیش بینی سطح انتشار GHG سطح پیوند در شبکه های جاده ای شهری در یک شیوه ای پارسیمونی و مؤثر.نتایج ما تا 85.4 ٪ پیش بینی نشان داده شده است دقت در عملکرد مدل های DCM.ما همچنین استدلال می کنیم که از هدف بیشتر مدل های پیش بینی انتشار GHG بر درگیر شدن سطح بالا تمرکز دارد تصمیم گیرندگان برای ایجاد تغییر و مهار انتشار ، انتشار GHG مبتنی بر DCM چارچوب پیش بینی مناسب ترین چارچوب است.

When data are clustered, common practice has become to do OLS and use an estimator of the covariance matrix of the OLS estimator that comes close to unbiasedness. In this paper we derive an estimator that is unbiased when the random-effects model holds. We do the same for two more general structures. We study the usefulness of these estimators against others by simulation, the size of the $t$-test being the criterion. Our findings suggest that the choice of estimator hardly matters when the regressor has the same distribution over the clusters. But when the regressor is a cluster-specific treatment variable, the choice does matter and the unbiased estimator we propose for the random-effects model shows excellent performance, even when the clusters are highly unbalanced.

هنگامی که داده ها خوشه بندی می شوند ، معمول به انجام OLS و استفاده از یک عمل تبدیل شده است برآوردگر ماتریس کواریانس از برآوردگر OLS که به آن نزدیک می شود بی طرفیدر این مقاله ما یک برآوردگر را استخراج می کنیم که بی طرفانه است مدل اثرات تصادفی در اختیار دارد.ما همین کار را برای دو ساختار عمومی دیگر انجام می دهیم.ما با شبیه سازی ، اندازه ، سودمندی این برآوردگرها را در برابر دیگران مطالعه کنید از $ t $ -TTENTION.یافته های ما نشان می دهد که انتخاب برآوردگر به سختی مهم است وقتی که رگرسور توزیع یکسانی را بر روی آن دارد خوشه هااما وقتی رگرسیون یک متغیر درمانی خاص خوشه ای است ، انتخاب مهم است و برآوردگر بی طرفانه که برای عوارض تصادفی پیشنهاد می کنیم مدل عملکرد عالی را نشان می دهد ، حتی اگر خوشه ها بسیار باشند نامتعادل

This paper studies the statistical decision problem of learning an individualized intervention policy when data are obtained from observational studies or randomized experiments with imperfect compliance. Leveraging a continuous instrumental variable, we provide a social welfare criterion that accounts for endogenous treatment selection. To this end, we incorporate the marginal treatment effects (MTE) when identifying treatment effect parameters and consider encouragement rules that affect social welfare through treatment take-up when designing policies. We apply the representation of the social welfare criterion of encouragement rules via the MTE to the Empirical Welfare Maximization (EWM) method and derive convergence rates of the worst-case regret (welfare loss). Using data from the Indonesian Family Life Survey, we apply the EWM encouragement rule to advise on how to encourage upper secondary schooling. Our framework offers interpretability of the optimal policy by explaining why a certain subpopulation is targeted.

این مقاله به بررسی مشکل تصمیم آماری یادگیری یک خط مشی مداخله فردی هنگامی که داده ها از مشاهده بدست می آیند مطالعات یا آزمایشات تصادفی با انطباق ناقص.اهرم یک متغیر ابزاری مداوم ، ما یک معیار رفاه اجتماعی را ارائه می دهیم که انتخاب درمان درون زا.برای این منظور ، ما را درج می کنیم اثرات درمانی حاشیه ای (MTE) هنگام شناسایی پارامترهای اثر درمانی و قوانین تشویق را در نظر بگیرید که از طریق درمان بر رفاه اجتماعی تأثیر می گذارد هنگام طراحی سیاست.ما نمایندگی اجتماعی را اعمال می کنیم معیار رفاه قوانین تشویق از طریق MTE به رفاه تجربی روش حداکثر (EWM) و میزان همگرایی از پشیمانی بدترین حالت را استخراج کنید (از دست دادن رفاه).با استفاده از داده های مربوط به بررسی زندگی خانوادگی اندونزی ، ما اعمال می کنیم قانون تشویق EWM برای مشاوره در مورد چگونگی تشویق دوره متوسطه فوقانی. چارچوب ما با توضیح اینکه چرا a ، تفسیر سیاست بهینه را ارائه می دهد زیرمجموعه خاصی هدف قرار گرفته است.

Interactive fixed effects are a popular means to model unobserved heterogeneity in panel data. Models with interactive fixed effects are well studied in the low-dimensional case where the number of parameters to be estimated is small. However, they are largely unexplored in the high-dimensional case where the number of parameters is large, potentially much larger than the sample size itself. In this paper, we develop new econometric methods for the estimation of high-dimensional panel data models with interactive fixed effects. Our estimator is based on similar ideas as the very popular common correlated effects (CCE) estimator which is frequently used in the low-dimensional case. We thus call our estimator a high-dimensional CCE estimator. We derive theory for the estimator both in the large-T-case, where the time series length T tends to infinity, and in the small-T-case, where T is a fixed natural number. The theoretical analysis of the paper is complemented by a simulation study which evaluates the finite sample performance of the estimator.

جلوه های ثابت تعاملی وسیله ای محبوب برای مدل سازی بدون نظارت است ناهمگونی در داده های پانل.مدل هایی با اثرات ثابت تعاملی خوب هستند در مورد کم بعدی که تعداد پارامترهای موجود در آن وجود دارد مطالعه شده است تخمین زده شده اندک است.با این حال ، آنها تا حد زیادی در مورد با ابعاد بالا که تعداد پارامترها بزرگ است ، به طور بالقوه بسیار زیاد است بزرگتر از اندازه نمونه.در این مقاله ، ما اقتصاد سنجی جدید توسعه می دهیم روشهای تخمین مدل های داده پانل با ابعاد بالا با اثرات ثابت تعاملی.برآوردگر ما مبتنی بر ایده های مشابه به عنوان بسیار است برآوردگر اثرات همبسته رایج (CCE) که اغلب در آن استفاده می شود مورد کم بعدیبنابراین ما برآوردگر خود را CCE با ابعاد بالا می نامیم برآوردگرما نظریه را برای برآوردگر هر دو در مورد بزرگ-t ، جایی که طول سری زمان t به بی نهایت و در مورد کوچک-t ، جایی که t است ، تمایل دارد یک عدد طبیعی ثابتتجزیه و تحلیل نظری مقاله تکمیل شده است توسط یک مطالعه شبیه سازی که عملکرد نمونه محدود را ارزیابی می کند برآوردگر

The widespread co-existence of misspecification and weak identification in asset pricing has led to an overstated performance of risk factors. Because the conventional Fama and MacBeth (1973) methodology is jeopardized by misspecification and weak identification, we infer risk premia by using a double robust Lagrange multiplier test that remains reliable in the presence of these two empirically relevant issues. Moreover, we show how the identification, and the resulting appropriate interpretation, of the risk premia is governed by the relative magnitudes of the misspecification J-statistic and the identification IS-statistic. We revisit several prominent empirical applications and all specifications with one to six factors from the factor zoo of Feng, Giglio, and Xiu (2020) to emphasize the widespread occurrence of misspecification and weak identification.

همزیستی گسترده اشتباه اشتباه و شناسایی ضعیف در قیمت گذاری دارایی منجر به عملکرد بیش از حد عوامل خطر شده است.چون متداول فاما و مکبث (1973) روش شناسی توسط به خطر می افتد شناسایی غلط و شناسایی ضعیف ، ما با استفاده از a حق ریسک را استنباط می کنیم آزمون چند برابر Lagrange دو برابر که در حضور قابل اعتماد است این دو موضوع تجربی مرتبط است.علاوه بر این ، ما نشان می دهیم که چگونه شناسایی و تفسیر مناسب حاصل از خطر Premia با بزرگی نسبی از شناسایی اداره می شود j-statistic و شناسایی ثابت است.ما چندین برجسته را مرور می کنیم برنامه های تجربی و کلیه مشخصات با یک تا شش عامل از باغ وحش فاکتور Feng ، Giglio و Xiu (2020) برای تأکید بر گسترده وقوع اشتباه و شناسایی ضعیف.

Ferrous metal futures have become unique commodity futures with Chinese characteristics. Due to the late listing time, it has received less attention from scholars. Our research focuses on the volatility spillover effects, defined as the intensity of price volatility in financial instruments. We use DCC-GARCH, BEKK-GARCH, and DY(2012) index methods to conduct empirical tests on the volatility spillover effects of the Chinese ferrous metal futures market and other parts of the Chinese commodity futures market, as well as industries related to the steel industry chain in stock markets. It can be seen that there is a close volatility spillover relationship between ferrous metal futures and nonferrous metal futures. Energy futures and chemical futures have a significant transmission effect on the fluctuations of ferrous metals. In addition, ferrous metal futures have a significant spillover effect on the stock index of the steel industry, real estate industry, building materials industry, machinery equipment industry, and household appliance industry. Studying the volatility spillover effect of the ferrous metal futures market can reveal the operating laws of this field and provide ideas and theoretical references for investors to hedge their risks. It shows that the ferrous metal futures market has an essential role as a "barometer" for the Chinese commodity futures market and the stock market.

آینده های فلزی آهنی با چینی ها به آینده کالاهای منحصر به فرد تبدیل شده اند مشخصات.با توجه به زمان لیست دیررس ، توجه کمتری پیدا کرده است از محققانتحقیقات ما بر اثرات سرریز نوسانات متمرکز است ، به عنوان شدت نوسانات قیمت در ابزارهای مالی تعریف شده است.ما استفاده می کنیم DCC-GARCH ، BEKK-GARCH و DY (2012) روشهای شاخص برای انجام تست های تجربی در اثرات سرریز نوسانات بازار آتی فلز آهنی چینی و سایر بخش های بازار آتی کالاهای چینی و همچنین صنایع مربوط به زنجیره صنعت فولاد در بازارهای سهام.در آنجا دیده می شود یک رابطه سرریز نوسانات نزدیک بین آینده های فلزی آهنی و آینده های فلزی غیرمجاز.آینده انرژی و آینده شیمیایی دارای تأثیر انتقال قابل توجه بر نوسانات فلزات آهنی.که در علاوه بر این ، آینده های فلزی آهنی تأثیر قابل توجهی در آن دارند شاخص سهام صنعت فولاد ، صنعت املاک و مستغلات ، مصالح ساختمانی صنعت ، صنعت تجهیزات ماشین آلات و صنعت لوازم خانگی. مطالعه اثر سرریز نوسانات بازار آتی فلز آهنی می تواند قوانین عملیاتی این زمینه را فاش کند و ایده ها و نظری را ارائه دهد منابع برای سرمایه گذاران برای محافظت از خطرات خود.این نشان می دهد که فلز آهنی بازار آینده به عنوان "فشارسنج" برای کالای چینی نقش اساسی دارد بازار آتی و بازار سهام.

Ad platforms require reliable measurement of advertising returns: what increase in performance (such as clicks or conversions) can an advertiser expect in return for additional budget on the platform? Even from the perspective of the platform, accurately measuring advertising returns is hard. Selection and omitted variable biases make estimates from observational methods unreliable, and straightforward experimentation is often costly or infeasible. We introduce Asymmetric Budget Split, a novel methodology for valid measurement of ad returns from the perspective of the platform. Asymmetric budget split creates small asymmetries in ad budget allocation across comparable partitions of the platform's userbase. By observing performance of the same ad at different budget levels while holding all other factors constant, the platform can obtain a valid measure of ad returns. The methodology is unobtrusive and cost-effective in that it does not require holdout groups or sacrifices in ad or marketplace performance. We discuss a successful deployment of asymmetric budget split to LinkedIn's Jobs Marketplace, an ad marketplace where it is used to measure returns from promotion budgets in terms of incremental job applicants. We outline operational considerations for practitioners and discuss further use cases such as budget-aware performance forecasting.

سیستم عامل های تبلیغاتی نیاز به اندازه گیری قابل اعتماد بازده تبلیغات دارند: چه افزایش عملکرد (مانند کلیک یا تبدیل) می تواند یک تبلیغ کننده باشد در ازای بودجه اضافی روی سیستم عامل انتظار دارید؟حتی از چشم انداز پلتفرم ، اندازه گیری دقیق بازده تبلیغات سخت است. انتخاب و تعصب متغیر حذف شده تخمین هایی از روشهای مشاهده ای آزمایش غیرقابل اعتماد و ساده اغلب پرهزینه یا غیرقابل تحمل است. ما تقسیم بودجه نامتقارن را معرفی می کنیم ، یک روش جدید برای اندازه گیری معتبر از آگهی بازده از منظر سکو باز می گردد.تقسیم بودجه نامتقارن عدم تقارن کوچک در تخصیص بودجه AD در پارتیشن های قابل مقایسه ایجاد می کند از پایگاه کاربر پلتفرم.با مشاهده عملکرد همان تبلیغ در سطح مختلف بودجه در حالی که ثابت نگه داشتن همه عوامل دیگر ، این سکو می تواند یک معیار معتبر از بازده AD را بدست آورد.این روش بی نظیر است و مقرون به صرفه بودن به این دلیل که نیازی به گروه های نگهدارنده یا فداکاری در تبلیغ ندارد یا عملکرد بازارما در مورد استقرار موفق نامتقارن بحث می کنیم تقسیم بودجه به بازار مشاغل LinkedIn ، یک بازار تبلیغاتی که در آن استفاده می شود برای اندازه گیری بازده از بودجه های ارتقاء از نظر کار افزایشی متقاضیانما ملاحظات عملیاتی را برای پزشکان بیان می کنیم و بحث می کنیم استفاده بیشتر از مواردی مانند پیش بینی عملکرد آگاه بودجه.

We develop a Stata command $\texttt{csa2sls}$ that implements the complete subset averaging two-stage least squares (CSA2SLS) estimator in Lee and Shin (2021). The CSA2SLS estimator is an alternative to the two-stage least squares estimator that remedies the bias issue caused by many correlated instruments. We conduct Monte Carlo simulations and confirm that the CSA2SLS estimator reduces both the mean squared error and the estimation bias substantially when instruments are correlated. We illustrate the usage of $\texttt{csa2sls}$ in Stata by an empirical application.

ما یک دستور stata $ \ texttt {csa2sls} $ تهیه می کنیم که کامل را پیاده سازی می کند به طور متوسط ​​زیر مجموعه دو مرحله ای حداقل مربعات (CSA2SLS) برآوردگر در لی و شین (2021).برآوردگر CSA2SLS جایگزینی برای حداقل مربعات دو مرحله ای است برآوردگر که مسئله تعصب ناشی از بسیاری از ابزارهای همبسته را اصلاح می کند. ما شبیه سازی های مونت کارلو را انجام می دهیم و تأیید می کنیم که برآوردگر CSA2SLS هر دو میانگین خطای مربع و تعصب تخمین را به میزان قابل توجهی کاهش می دهد ابزارها با همبستگی هستند.ما استفاده از $ \ texttt {csa2sls} $ را نشان می دهیم Stata توسط یک برنامه تجربی.

This paper studies identification and inference of the welfare gain that results from switching from one policy (such as the status quo policy) to another policy. The welfare gain is not point identified in general when data are obtained from an observational study or a randomized experiment with imperfect compliance. I characterize the sharp identified region of the welfare gain and obtain bounds under various assumptions on the unobservables with and without instrumental variables. Estimation and inference of the lower and upper bounds are conducted using orthogonalized moment conditions to deal with the presence of infinite-dimensional nuisance parameters. I illustrate the analysis by considering hypothetical policies of assigning individuals to job training programs using experimental data from the National Job Training Partnership Act Study. Monte Carlo simulations are conducted to assess the finite sample performance of the estimators.

در این مقاله به بررسی شناسایی و استنباط سود رفاه آن می پردازیم نتایج حاصل از تغییر از یک خط مشی (مانند خط مشی وضع موجود) به یک سیاست دیگرسود رفاه به طور کلی در هنگام داده ها مشخص نمی شود از یک مطالعه مشاهده ای یا یک آزمایش تصادفی با انطباق ناقص.من منطقه مشخص شده از رفاه را توصیف می کنم تحت فرضیات مختلف در مورد غیرقابل کنترل با و بدون متغیرهای ابزاری.تخمین و استنباط پایین و بالا مرزها با استفاده از شرایط لحظه ای متعامد برای مقابله با حضور پارامترهای نامتناهی نامتناهی.من تجزیه و تحلیل را نشان می دهم با در نظر گرفتن سیاست های فرضی برای اختصاص افراد به آموزش شغلی برنامه هایی با استفاده از داده های تجربی از قانون همکاری ملی آموزش شغلی مطالعه.شبیه سازی مونت کارلو برای ارزیابی نمونه محدود انجام می شود عملکرد برآوردگرها.

A recent literature has shown that when adoption of a treatment is staggered and average treatment effects vary across groups and over time, difference-in-differences regression does not identify an easily interpretable measure of the typical effect of the treatment. In this paper, I extend this literature in two ways. First, I provide some simple underlying intuition for why difference-in-differences regression does not identify a group$\times$period average treatment effect. Second, I propose an alternative two-stage estimation framework, motivated by this intuition. In this framework, group and period effects are identified in a first stage from the sample of untreated observations, and average treatment effects are identified in a second stage by comparing treated and untreated outcomes, after removing these group and period effects. The two-stage approach is robust to treatment-effect heterogeneity under staggered adoption, and can be used to identify a host of different average treatment effect measures. It is also simple, intuitive, and easy to implement. I establish the theoretical properties of the two-stage approach and demonstrate its effectiveness and applicability using Monte-Carlo evidence and an example from the literature.

ادبیات اخیر نشان داده است که هنگام پذیرش یک درمان مبهم است و میانگین اثرات درمانی در گروه ها و با گذشت زمان متفاوت است ، رگرسیون اختلاف در اختلافات به راحتی قابل تفسیر نیست اندازه گیری اثر معمولی درمان.در این مقاله ، من این را گسترش می دهم ادبیات از دو طریق.اول ، من یک شهود اساسی ساده برای چرا رگرسیون اختلاف در اختلافات را شناسایی نمی کند گروه $ \ برابر $ متوسط ​​اثر درمانی.دوم ، من یک جایگزین را پیشنهاد می کنم چارچوب تخمین دو مرحله ای ، با انگیزه این شهود.در این چارچوب ، اثرات گروهی و دوره ای در مرحله اول از نمونه مشخص می شود مشاهدات درمان نشده ، و میانگین اثرات درمانی در یک مشخص می شود مرحله دوم با مقایسه نتایج تحت درمان و درمان نشده ، پس از حذف این موارد اثرات گروهی و دوره ای.رویکرد دو مرحله ای برای اثر درمانی قوی است ناهمگونی تحت تصویب مبهم ، و می تواند برای شناسایی میزبان مواردی استفاده شود اقدامات مختلف اثر درمانی متوسط.همچنین ساده ، شهودی و اجرای آسانمن خصوصیات نظری دو مرحله را تعیین می کنم رویکرد و اثربخشی و کاربرد آن را با استفاده از مونت کارلو نشان دهید شواهد و نمونه ای از ادبیات.

Difference-in-differences is a common method for estimating treatment effects, and the parallel trends condition is its main identifying assumption: the trend in mean untreated outcomes is independent of the observed treatment status. In observational settings, treatment is often a dynamic choice made or influenced by rational actors, such as policy-makers, firms, or individual agents. This paper relates parallel trends to economic models of dynamic choice. We clarify the implications of parallel trends on agent behavior and study when dynamic selection motives lead to violations of parallel trends. Finally, we consider identification under alternative assumptions that accommodate features of dynamic choice.

تفاوت در اختلافات یک روش متداول برای برآورد درمان است اثرات و شرایط موازی فرض اصلی شناسایی آن است: روند در میانگین نتایج درمان نشده مستقل از درمان مشاهده شده است وضعیتدر تنظیمات مشاهده ای ، درمان اغلب یک انتخاب پویا است یا تحت تأثیر بازیگران عقلانی ، مانند سیاست گذاران ، بنگاهها یا افراد عواملاین مقاله روندهای موازی را به مدلهای اقتصادی پویا مربوط می کند انتخابما پیامدهای روند موازی بر رفتار عامل و مطالعه هنگامی که انگیزه های انتخاب پویا منجر به نقض روند موازی می شود. سرانجام ، ما شناسایی را تحت فرضیات جایگزین در نظر می گیریم که ویژگی های انتخاب پویا را در خود جای دهید.

Forecast combination -- the aggregation of individual forecasts from multiple experts or models -- is a proven approach to economic forecasting. To date, research on economic forecasting has concentrated on local combination methods, which handle separate but related forecasting tasks in isolation. Yet, it has been known for over two decades in the machine learning community that global methods, which exploit task-relatedness, can improve on local methods that ignore it. Motivated by the possibility for improvement, this paper introduces a framework for globally combining forecasts while being flexible to the level of task-relatedness. Through our framework, we develop global versions of several existing forecast combinations. To evaluate the efficacy of these new global forecast combinations, we conduct extensive comparisons using synthetic and real data. Our real data comparisons, which involve forecasts of core economic indicators in the Eurozone, provide empirical evidence that the accuracy of global combinations of economic forecasts can surpass local combinations.

ترکیب پیش بینی - تجمع پیش بینی های فردی از چندگانه کارشناسان یا مدل ها - یک رویکرد اثبات شده برای پیش بینی اقتصادی است.به روز، تحقیقات در مورد پیش بینی اقتصادی بر روشهای ترکیبی محلی متمرکز شده است ، که وظایف پیش بینی جداگانه اما مرتبط با آن را در انزوا انجام می دهند.با این حال ، آن را دارد بیش از دو دهه در جامعه یادگیری ماشین که جهانی است شناخته شده است روشها ، که از مربوط به کارگروه بهره برداری می کنند ، می توانند در روشهای محلی بهبود پیدا کنند بیخیالش.این مقاله با انگیزه در امکان بهبود ، این مقاله را معرفی می کند چارچوبی برای ترکیب پیش بینی های جهانی در حالی که در سطح انعطاف پذیر است مربوط به کاراز طریق چارچوب ما ، ما نسخه های جهانی را توسعه می دهیم چندین ترکیب پیش بینی موجود.برای ارزیابی اثربخشی این جدید ترکیبات پیش بینی جهانی ، ما مقایسه های گسترده ای را با استفاده از مصنوعی انجام می دهیم و داده های واقعیمقایسه داده های واقعی ما ، که شامل پیش بینی هسته است شاخص های اقتصادی در منطقه یورو ، شواهد تجربی ارائه می دهد که صحت ترکیبات جهانی پیش بینی های اقتصادی می تواند از محلی فراتر رود ترکیبات

Two of Peter Schmidt's many contributions to econometrics have been to introduce a simultaneous logit model for bivariate binary outcomes and to study estimation of dynamic linear fixed effects panel data models using short panels. In this paper, we study a dynamic panel data version of the bivariate model introduced in Schmidt and Strauss (1975) that allows for lagged dependent variables and fixed effects as in Ahn and Schmidt (1995). We combine a conditional likelihood approach with a method of moments approach to obtain an estimation strategy for the resulting model. We apply this estimation strategy to a simple model for the intra-household relationship in employment. Our main conclusion is that the within-household dependence in employment differs significantly by the ethnicity composition of the couple even after one allows for unobserved household specific heterogeneity.

دو مورد از مشارکت های پیتر اشمیت در اقتصاد سنجی بوده است یک مدل ورود همزمان را برای نتایج دودویی دو متغیره و مطالعه معرفی کنید تخمین مدل های داده پانل اثرات ثابت خطی پویا با استفاده از کوتاه پانل هادر این مقاله ، ما یک نسخه داده پانل پویا از دو متغیره را مطالعه می کنیم مدل معرفی شده در اشمیت و اشتراوس (1975) که امکان وابسته به عقب مانده را فراهم می کند متغیرها و جلوه های ثابت مانند Ahn و Schmidt (1995).ما ترکیب می کنیم رویکرد احتمال مشروط با روش رویکرد لحظات برای به دست آوردن استراتژی تخمین برای مدل حاصل.ما این استراتژی تخمین را اعمال می کنیم به یک مدل ساده برای روابط درون خانه در اشتغال.اصلی ما نتیجه گیری این است که وابستگی درون خانه به اشتغال متفاوت است به طور قابل توجهی توسط ترکیب قومیت زوج حتی پس از اجازه یک نفر برای ناهمگونی خاص خانگی.

For the kernel estimator of the quantile density function (the derivative of the quantile function), I show how to perform the boundary bias correction, establish the rate of strong uniform consistency of the bias-corrected estimator, and construct the confidence bands that are asymptotically exact uniformly over the entire domain $[0,1]$. The proposed procedures rely on the pivotality of the studentized bias-corrected estimator and known anti-concentration properties of the Gaussian approximation for its supremum.

برای برآوردگر هسته عملکرد چگالی کمی (مشتق از عملکرد کمی) ، من نشان می دهم که چگونه می توان تصحیح تعصب مرزی را انجام داد ، میزان قوام یکنواخت قوی اصلاح تعصب را تعیین کنید برآوردگر ، و ساخت باند های اعتماد به نفس که به صورت بدون علامت هستند به طور یکنواخت در کل دامنه $ [0،1] $.روشهای پیشنهادی به محوری برآوردگر تعصب دانشجویی و شناخته شده خواص ضد غلظت تقریب گاوسی برای سوپرموم آن.

This paper considers a linear regression model with an endogenous regressor which arises from a nonlinear transformation of a latent variable. It is shown that the corresponding coefficient can be consistently estimated without external instruments by adding a rank-based transformation of the regressor to the model and performing standard OLS estimation. In contrast to other approaches, our nonparametric control function approach does not rely on a conformably specified copula. Furthermore, the approach allows for the presence of additional exogenous regressors which may be (linearly) correlated with the endogenous regressor(s). Consistency and asymptotic normality of the estimator are proved and the estimator is compared with copula based approaches by means of Monte Carlo simulations. An empirical application on wage data of the US current population survey demonstrates the usefulness of our method.

در این مقاله یک مدل رگرسیون خطی با یک رگرسور درون زا در نظر گرفته شده است که از تحول غیرخطی یک متغیر نهفته ناشی می شود.نشان داده شده است که ضریب مربوطه می تواند به طور مداوم بدون تخمین زده شود ابزارهای خارجی با افزودن یک تحول مبتنی بر رتبه از رگرسور به مدل و برآورد استاندارد OLS.در مقابل با دیگر رویکردها ، رویکرد عملکرد کنترل غیرپارامتری ما به a متکی نیست کوپول مشخص شده مشخص شده.علاوه بر این ، این رویکرد امکان حضور را فراهم می کند از رگرسیونرهای اگزوژن اضافی که ممکن است (خطی) با همبستگی باشد رگرسور درون زا (های).قوام و نرمال بودن بدون علامت برآوردگر اثبات شده و برآوردگر با روشهای مبتنی بر کوپلا مقایسه می شود شبیه سازی مونت کارلو.یک برنامه تجربی در مورد داده های دستمزد ایالات متحده بررسی فعلی جمعیت ، سودمندی روش ما را نشان می دهد.

We show by simulation that the test for an unknown threshold in models with endogenous regressors - proposed in Caner and Hansen (2004) - can exhibit severe size distortions both in small and in moderately large samples, pertinent to empirical applications. We propose three new tests that rectify these size distortions. The first test is based on GMM estimators. The other two are based on unconventional 2SLS estimators, that use additional information about the linearity (or lack of linearity) of the first stage. Just like the test in Caner and Hansen (2004), our tests are non-pivotal, and we prove their bootstrap validity. The empirical application revisits the question in Ramey and Zubairy (2018) whether government spending multipliers are larger in recessions, but using tests for an unknown threshold. Consistent with Ramey and Zubairy (2018), we do not find strong evidence that these multipliers are larger in recessions.

ما با شبیه سازی نشان می دهیم که آزمایش برای یک آستانه ناشناخته در مدل ها رگرسیون های درون زا - که در Caner و Hansen (2004) پیشنهاد شده است - می تواند به نمایش بگذارد اعوجاج در اندازه شدید هم در نمونه های کوچک و هم در نمونه های متوسط ​​، مربوط به برنامه های تجربی.ما سه آزمایش جدید را اصلاح می کنیم این اعوجاج اندازهاولین آزمون بر اساس برآوردگرهای GMM است.دیگری دو بر اساس برآوردگرهای غیر متعارف 2SLS است که از اضافی استفاده می کنند اطلاعات مربوط به خطی بودن (یا عدم خطی بودن) مرحله اول.عادل مانند تست در کانر و هانسن (2004) ، تست های ما غیر محوری است و ما اعتبار بوت استرپ خود را اثبات کنید.برنامه تجربی سؤال را دوباره مورد بررسی قرار می دهد در رامی و زوبیری (2018) که آیا دولت چند برابر بیشتر است در رکود اقتصادی ، اما استفاده از تست ها برای آستانه ناشناخته.سازگار با رامی و Zubairy (2018) ، ما شواهد محکمی پیدا نمی کنیم که این چند برابر کننده ها هستند در رکود اقتصادی بزرگتر.

We consider a linear combination of jackknife Anderson-Rubin (AR), jackknife Lagrangian multiplier (LM), and orthogonalized jackknife LM tests for inference in IV regressions with many weak instruments and heteroskedasticity. Following I.Andrews (2016), we choose the weights in the linear combination based on a decision-theoretic rule that is adaptive to the identification strength. Under both weak and strong identifications, the proposed test controls asymptotic size and is admissible among certain class of tests. Under strong identification, our linear combination test has optimal power against local alternatives among the class of invariant or unbiased tests which are constructed based on jackknife AR and LM tests. Simulations and an empirical application to Angrist and Krueger's (1991) dataset confirm the good power properties of our test.

ما ترکیبی خطی از Jackknife Anderson-Rubin (AR) ، Jackknife را در نظر می گیریم ضرب Lagrangian (LM) ، و تست های jackknife jackknife برای استنتاج در رگرسیون IV با بسیاری از ابزارهای ضعیف و ناهمگونی.ذیل I.Andrews (2016) ، ما وزن را در ترکیب خطی بر اساس یک انتخاب می کنیم تصمیم نظری تصمیم گیری که با قدرت شناسایی سازگار است.زیر هر دو هویت ضعیف و قوی ، آزمایش پیشنهادی بدون علامت کنترل می کند اندازه و در بین کلاس خاصی از تست ها قابل قبول است.تحت قوی شناسایی ، آزمون ترکیبی خطی ما از قدرت بهینه در برابر محلی برخوردار است گزینه های دیگر در بین کلاس تست های بی ثبات یا بی طرفانه که هستند بر اساس تست های Jackknife AR و LM ساخته شده است.شبیه سازی ها و یک تجربی کاربرد در مجموعه داده های Angrist و Krueger (1991) قدرت خوب را تأیید می کند خواص آزمون ما.

This paper proposes methods to investigate whether the bubble patterns observed in individual series are common to various series. We detect the non-linear dynamics using the recent mixed causal and noncausal models. Both a likelihood ratio test and information criteria are investigated, the former having better performances in our Monte Carlo simulations. Implementing our approach on three commodity prices we do not find evidence of commonalities although some series look very similar.

در این مقاله روش هایی برای بررسی الگوهای حباب ارائه شده است مشاهده شده در سری های فردی برای سری های مختلف مشترک است.ما تشخیص می دهیم دینامیک غیرخطی با استفاده از مدلهای علیت و غیرعادی اخیر.هر دو آزمون نسبت احتمال و معیارهای اطلاعات مورد بررسی قرار گرفته است. اجرای بهتر در شبیه سازی مونت کارلو.اجرای ما رویکرد به سه قیمت کالای ما شواهدی از مشترکات پیدا نمی کنیم اگرچه برخی از سریال ها بسیار شبیه به نظر می رسند.

This paper studies identification and estimation of the average treatment effect on the treated (ATT) in difference-in-difference (DID) designs when the variable that classifies individuals into treatment and control groups (treatment status, D) is endogenously misclassified. We show that misclassification in D hampers consistent estimation of ATT because 1) it restricts us from identifying the truly treated from those misclassified as being treated and 2) differential misclassification in counterfactual trends may result in parallel trends being violated with D even when they hold with the true but unobserved D*. We propose a solution to correct for endogenous one-sided misclassification in the context of a parametric DID regression which allows for considerable heterogeneity in treatment effects and establish its asymptotic properties in panel and repeated cross section settings. Furthermore, we illustrate the method by using it to estimate the insurance impact of a large-scale in-kind food transfer program in India which is known to suffer from large targeting errors.

این مقاله به بررسی شناسایی و تخمین متوسط ​​درمان می پردازد تأثیر در طراحی (ATT) در اختلاف در اختلاف (DID) در هنگام متغیری که افراد را به گروه های درمان و کنترل طبقه بندی می کند (وضعیت درمان ، د) به صورت درون زا طبقه بندی شده است.ما نشان می دهیم که طبقه بندی نادرست در D تخمین ثابت از ATT را متوقف می کند زیرا 1) آن ما را از شناسایی مواردی که واقعاً از آن طبقه بندی شده است ، محدود می کند تحت درمان و 2) طبقه بندی دیفرانسیل در روندهای ضد خلاف واقع ممکن است منجر به نقض روند موازی با D حتی در صورت نگه داشتن آنها شود D*واقعی اما غیرقابل استفاده.ما یک راه حل برای اصلاح درون زا پیشنهاد می کنیم سوء استفاده یک طرفه در زمینه یک رگرسیون پارامتری که اجازه ناهمگونی قابل توجهی در اثرات درمانی را می دهد و آن را ایجاد می کند خصوصیات بدون علامت در صفحه و تنظیمات مقطع مکرر. علاوه بر این ، ما روش را با استفاده از آن برای تخمین بیمه نشان می دهیم تأثیر یک برنامه انتقال مواد غذایی در مقیاس بزرگ در هند که شناخته شده است از خطاهای بزرگ هدفمند رنج می برند.

Medical journals have adhered to a reporting practice that seriously limits the usefulness of published trial findings. Medical decision makers commonly observe many patient covariates and seek to use this information to personalize treatment choices. Yet standard summaries of trial findings only partition subjects into broad subgroups, typically into binary categories. Given this reporting practice, we study the problem of inference on long mean treatment outcomes E[y(t)|x], where t is a treatment, y(t) is a treatment outcome, and the covariate vector x has length K, each component being a binary variable. The available data are estimates of {E[y(t)|xk = 0], E[y(t)|xk = 1], P(xk)}, k = 1, . . . , K reported in journal articles. We show that reported trial findings partially identify {E[y(t)|x], P(x)}. Illustrative computations demonstrate that the summaries of trial findings in journal articles may imply only wide bounds on long mean outcomes. One can realistically tighten inferences if one can combine reported trial findings with credible assumptions having identifying power, such as bounded-variation assumptions.

مجلات پزشکی به یک گزارش گزارش رعایت کرده اند که به طور جدی محدود می شود سودمندی یافته های آزمایشی منتشر شده.تصمیم گیرندگان پزشکی معمولاً بسیاری از متغیرهای بیمار را رعایت کنید و به دنبال استفاده از این اطلاعات برای شخصی سازی باشید گزینه های درمانی.با این حال خلاصه های استاندارد از یافته های آزمایشی فقط پارتیشن افراد به زیر گروه های گسترده ، به طور معمول در دسته های باینری.با توجه به این گزارش گزارش ، ما مسئله استنباط در درمان متوسط ​​طولانی را مطالعه می کنیم نتایج e [y (t) | x] ، جایی که t یک درمان است ، y (t) یک نتیجه درمانی است و وکتور متغیر X دارای طول K است که هر یک از مؤلفه ها یک متغیر باینری هستند. داده های موجود تخمین های {e [y (t) | xk = 0] ، e [y (t) | xk = 1] ، p (xk)} ، k = 1 ،.بشربشر، K در مقالات ژورنال گزارش شده است.ما نشان می دهیم که آزمایش گزارش شده است یافته ها تا حدی شناسایی {e [y (t) | x] ، p (x).محاسبات مصور نشان می دهد که خلاصه یافته های آزمایش در مقالات ژورنال ممکن است دلالت کند فقط مرزهای گسترده ای در نتایج متوسط.واقع بینانه می توان محکم کرد استنباط اگر می توان یافته های آزمایشی گزارش شده را با فرضیات معتبر ترکیب کرد داشتن قدرت شناسایی ، مانند فرضیات متغیر محدود.

We study the estimation of heterogeneous effects of group-level policies, using quantile regression with interactive fixed effects. Our approach can identify distributional policy effects, particularly effects on inequality, under a type of difference-in-differences assumption. We provide asymptotic properties of our estimators and an inferential method. We apply the model to evaluate the effect of the minimum wage policy on earnings between 1967 and 1980 in the United States. Our results suggest that the minimum wage policy has a significant negative impact on the between-inequality but little effect on the within-inequality.

ما تخمین اثرات ناهمگن سیاست های سطح گروه را بررسی می کنیم ، با استفاده از رگرسیون کمی با اثرات ثابت تعاملی.رویکرد ما می تواند اثرات سیاست توزیع ، به ویژه تأثیرات بر نابرابری ، را شناسایی کنید. تحت یک نوع فرض تفاوت در اختلافات.ما بدون علامت ارائه می دهیم خواص برآوردگرهای ما و یک روش استنباطی.ما مدل را در تأثیر سیاست حداقل دستمزد بر درآمد بین سالهای 1967 و 1980 در ایالات متحده.نتایج ما نشان می دهد که حداقل سیاست دستمزد دارد تأثیر منفی معنی داری بر بین المللی بودن اما تأثیر کمی در درون ناچیز.

We identify and estimate treatment effects when potential outcomes are weakly separable with a binary endogenous treatment. Vytlacil and Yildiz (2007) proposed an identification strategy that exploits the mean of observed outcomes, but their approach requires a monotonicity condition. In comparison, we exploit full information in the entire outcome distribution, instead of just its mean. As a result, our method does not require monotonicity and is also applicable to general settings with multiple indices. We provide examples where our approach can identify treatment effect parameters of interest whereas existing methods would fail. These include models where potential outcomes depend on multiple unobserved disturbance terms, such as a Roy model, a multinomial choice model, as well as a model with endogenous random coefficients. We establish consistency and asymptotic normality of our estimators.

وقتی نتایج بالقوه ضعیف باشد ، ما اثرات درمانی را شناسایی و تخمین می زنیم قابل جدا شدن با یک درمان درون زا باینری.Vytlacil و Yildiz (2007) یک استراتژی شناسایی را ارائه داد که از میانگین مشاهده شده بهره برداری می کند نتایج ، اما رویکرد آنها به یک وضعیت یکنواختی نیاز دارد.در مقایسه، ما به جای این که فقط از اطلاعات کامل در کل توزیع نتیجه سوء استفاده می کنیم میانگین آن است.در نتیجه ، روش ما به یکنواختی نیاز ندارد و نیز هست قابل استفاده در تنظیمات عمومی با چندین شاخص.ما نمونه هایی را ارائه می دهیم که در آن رویکرد ما می تواند پارامترهای اثر درمانی مورد علاقه را شناسایی کند روشهای موجود شکست می خورند.اینها شامل مدلهایی است که نتایج بالقوه بستگی به چندین اصطلاح آشفتگی بدون نظارت ، مانند مدل روی ، الف مدل انتخاب چندمجمی ، و همچنین یک مدل با تصادفی درون زا ضرایبما یک حالت قوام و بدون علامت خود را ایجاد می کنیم برآوردگرها

Purpose: In the context of a COVID pandemic in 2020-21, this paper attempts to capture the interconnectedness and volatility transmission dynamics. The nature of change in volatility spillover effects and time-varying conditional correlation among the G7 countries and India is investigated. Methodology: To assess the volatility spillover effects, the bivariate BEKK and t- DCC (1,1) GARCH (1,1) models have been used. Our research shows how the dynamics of volatility spillover between India and the G7 countries shift before and during COVID-19. Findings: The findings reveal that the extent of volatility spillover has altered during COVID compared to the pre-COVID environment. During this pandemic, a sharp increase in conditional correlation indicates an increase in systematic risk between countries. Originality: The study contributes to a better understanding of the dynamics of volatility spillover between G7 countries and India. Asset managers and foreign corporations can use the changing spillover dynamics to improve investment decisions and implement effective hedging measures to protect their interests. Furthermore, this research will assist financial regulators in assessing market risk in the future owing to crises like as COVID-19.

هدف: در زمینه بیماری همه گیر Covid در سالهای 2020-21 ، این مقاله تلاش می کند برای گرفتن پویایی اتصال به هم پیوسته و نوسانات.در ماهیت تغییر در اثرات سرریز نوسانات و مشروط با زمان متغیر همبستگی بین کشورهای G7 و هند مورد بررسی قرار گرفته است.روش شناسی: به اثرات سرریز نوسانات ، BEKK و T- DCC را ارزیابی کنید (1،1) از مدل های Garch (1،1) استفاده شده است.تحقیقات ما نشان می دهد که پویایی چگونه است سرریز نوسانات بین هند و کشورهای G7 قبل و در طی تغییر می کند کووید 19.یافته ها: یافته ها نشان می دهد که میزان سرریز نوسانات در طول COVID در مقایسه با محیط قبل از کاویده تغییر کرده است.در طی این همه گیر ، افزایش شدید در همبستگی مشروط حاکی از افزایش در خطر سیستماتیک بین کشورها.اصالت: این مطالعه به a کمک می کند درک بهتر پویایی سرریز نوسانات بین G7 کشورها و هند.مدیران دارایی و شرکتهای خارجی می توانند از آنها استفاده کنند تغییر پویایی سرریز برای بهبود تصمیمات سرمایه گذاری و اجرای اقدامات موثر برای محافظت از منافع آنها.علاوه بر این ، این تحقیقات به تنظیم کننده های مالی در ارزیابی ریسک بازار در آینده به دلیل بحران هایی مانند Covid-19.

Beta-sorted portfolios -- portfolios comprised of assets with similar covariation to selected risk factors -- are a popular tool in empirical finance to analyze models of (conditional) expected returns. Despite their widespread use, little is known of their statistical properties in contrast to comparable procedures such as two-pass regressions. We formally investigate the properties of beta-sorted portfolio returns by casting the procedure as a two-step nonparametric estimator with a nonparametric first step and a beta-adaptive portfolios construction. Our framework rationalize the well-known estimation algorithm with precise economic and statistical assumptions on the general data generating process and characterize its key features. We study beta-sorted portfolios for both a single cross-section as well as for aggregation over time (e.g., the grand mean), offering conditions that ensure consistency and asymptotic normality along with new uniform inference procedures allowing for uncertainty quantification and testing of various relevant hypotheses in financial applications. We also highlight some limitations of current empirical practices and discuss what inferences can and cannot be drawn from returns to beta-sorted portfolios for either a single cross-section or across the whole sample. Finally, we illustrate the functionality of our new procedures in an empirical application.

اوراق بهادار طبقه بندی شده بتا-پرتفوی شامل دارایی هایی با مشابه همبستگی به عوامل خطر منتخب - ابزاری محبوب در امور مالی تجربی است برای تجزیه و تحلیل مدلهای بازده مورد انتظار (مشروط).با وجود گسترده آنها استفاده ، از خصوصیات آماری آنها بر خلاف قابل مقایسه ، کمی شناخته شده است رویه هایی مانند رگرسیون دو پاس.ما به طور رسمی خواص را بررسی می کنیم از نمونه کارها بتا مرتب شده با استفاده از روش به عنوان یک مرحله دو مرحله ای باز می گردد برآوردگر غیرپارامتری با یک مرحله اول غیر پارامتری و یک بتا سازگار ساخت و ساز اوراق بهادار.چارچوب ما برآورد مشهور را منطقی می کند الگوریتم با فرضیات دقیق اقتصادی و آماری در مورد داده های عمومی تولید فرآیند و مشخصه ویژگی های اصلی آن.ما بتا مرتب شده را مطالعه می کنیم اوراق بهادار برای هر دو مقطع واحد و همچنین برای جمع آوری با گذشت زمان (به عنوان مثال ، میانگین بزرگ) ، شرایطی را ارائه می دهد که قوام را تضمین می کند و نرمال بودن بدون علامت به همراه روشهای جدید استنباط یکنواخت امکان پذیر است کمیت عدم اطمینان و آزمایش فرضیه های مختلف مربوطه در برنامه های مالیما همچنین برخی از محدودیت های تجربی فعلی را برجسته می کنیم شیوه ها و بحث در مورد آنچه استنتاج ها می توانند و نمی توانند از بازده به دست بیایند اوراق بهادار بتا برای یک مقطع واحد یا در کل کل نمونه.سرانجام ، ما عملکرد روشهای جدید خود را در یک نشان می دهیم کاربرد تجربی

Macro shocks are often composites, yet overlooked in the impulse response analysis. When an instrumental variable (IV) is used to identify a composite shock, it violates the common IV exclusion restriction. We show that the Local Projection-IV estimand is represented as a weighted average of component-wise impulse responses but with possibly negative weights, which occur when the IV and shock components have opposite correlations. We further develop alternative (set-) identification strategies for the LP-IV based on sign restrictions or additional granular information. Our applications confirm the composite nature of monetary policy shocks and reveal a non-defense spending multiplier exceeding one.

شوکهای کلان اغلب کامپوزیت هستند ، اما در پاسخ ضربه نادیده گرفته می شوند تحلیل و بررسی.هنگامی که از یک متغیر ابزاری (IV) برای شناسایی یک کامپوزیت استفاده می شود شوک ، محدودیت مشترک محرومیت IV را نقض می کند.ما نشان می دهیم که محلی برآورد Projection-IV به عنوان میانگین وزنی از مؤلفه ها نشان داده شده است پاسخ های ضربه ای اما با وزن احتمالاً منفی ، که در صورت IV رخ می دهد و اجزای شوک همبستگی مخالف دارند.ما بیشتر جایگزین را توسعه می دهیم (Set-) استراتژی های شناسایی برای LP-IV بر اساس محدودیت های علامت یا اطلاعات دانه اضافی.برنامه های ما ماهیت کامپوزیت را تأیید می کنند شوک های سیاست پولی و ضرب هزینه های غیر دفاعی را نشان می دهد بیش از یک

Several large volatility matrix inference procedures have been developed, based on the latent factor model. They often assumed that there are a few of common factors, which can account for volatility dynamics. However, several studies have demonstrated the presence of local factors. In particular, when analyzing the global stock market, we often observe that nation-specific factors explain their own country's volatility dynamics. To account for this, we propose the Double Principal Orthogonal complEment Thresholding (Double-POET) method, based on multi-level factor models, and also establish its asymptotic properties. Furthermore, we demonstrate the drawback of using the regular principal orthogonal component thresholding (POET) when the local factor structure exists. We also describe the blessing of dimensionality using Double-POET for local covariance matrix estimation. Finally, we investigate the performance of the Double-POET estimator in an out-of-sample portfolio allocation study using international stocks from 20 financial markets.

چندین روش استنباط ماتریس نوسانات بزرگ توسعه یافته است ، بر اساس مدل فاکتور نهفته.آنها اغلب فرض می کردند که تعداد کمی از آنها وجود دارد عوامل متداول ، که می تواند پویایی نوسانات را به خود اختصاص دهد.با این حال ، چندین مطالعات وجود عوامل محلی را نشان داده است.به طور خاص ، چه زمانی با تجزیه و تحلیل بازار جهانی سهام ، ما اغلب آن کشور خاص را مشاهده می کنیم عوامل پویایی نوسانات کشور خود را توضیح می دهند.برای این کار ، ما آستانه مکمل اصلی متعامد دوگانه را پیشنهاد می کنیم (دو شاعر) روش ، بر اساس مدل های فاکتور چند سطحی ، و همچنین ایجاد کنید خصوصیات بدون علامت آن.علاوه بر این ، ما اشکال استفاده را نشان می دهیم آستانه اصلی مؤلفه متعامد معمولی (شاعر) هنگامی که محلی است ساختار عاملی وجود دارد.ما همچنین نعمت ابعاد را با استفاده از آن توصیف می کنیم دو نقطه برای برآورد ماتریس کواریانس محلی.سرانجام ، ما تحقیق می کنیم عملکرد برآوردگر دو شاعر در یک سبد خارج از نمونه مطالعه تخصیص با استفاده از سهام بین المللی از 20 بازار مالی.

In this paper, we develop a restricted eigenvalue condition for unit-root non-stationary data and derive its validity under the assumption of independent Gaussian innovations that may be contemporaneously correlated. The method of proof relies on matrix concentration inequalities and offers sufficient flexibility to enable extensions of our results to alternative time series settings. As an application of this result, we show the consistency of the lasso estimator on ultra high-dimensional cointegrated data in which the number of integrated regressors may grow exponentially in relation to the sample size.

در این مقاله ، ما یک شرایط ویژه مقادیر ویژه برای ریشه واحد ایجاد می کنیم داده های غیر ثابت و اعتبار آن را با فرض مستقل به دست می آورند نوآوری های گاوسی که ممکن است همزمان همبستگی داشته باشند.روش اثبات به نابرابری های غلظت ماتریس متکی است و کافی را ارائه می دهد انعطاف پذیری برای فعال کردن پسوندهای نتایج ما به سری زمانی جایگزین تنظیمات.به عنوان کاربرد این نتیجه ، ما قوام آن را نشان می دهیم برآوردگر Lasso در داده های یکپارچه فوق العاده با ابعاد بالا که در آن تعداد رگرسیونرهای یکپارچه ممکن است در رابطه با اندازه نمونه به صورت نمایی رشد کنند.

Social employment, which is mostly carried by firms of different types, determines the prosperity and stability of a country. As time passing, the fluctuations of firm employment can reflect the process of creating or destroying jobs. Therefore, it is instructive to investigate the firm employment (size) dynamics. Drawing on the firm-level panel data extracted from the Chinese Industrial Enterprises Database 1998-2013, this paper proposes a Markov-chain-based descriptive approach to clearly demonstrate the firm size transfer dynamics between different size categories. With this method, any firm size transition path in a short time period can be intuitively demonstrated. Furthermore, by utilizing the properties of Markov transfer matrices, the definition of transition trend and the transition entropy are introduced and estimated. As a result, the tendency of firm size transfer between small, medium and large can be exactly revealed, and the uncertainty of size change can be quantified. Generally from the evidence of this paper, it can be inferred that small and medium manufacturing firms in China have greater job creation potentials compared to large firms over this time period.

اشتغال اجتماعی ، که بیشتر توسط بنگاه های مختلف انجام می شود ، سعادت و ثبات یک کشور را تعیین می کند.با گذشت زمان ، نوسانات اشتغال شرکت می تواند روند ایجاد یا از بین بردن مشاغلبنابراین ، تحقیق در مورد شرکت آموزنده است دینامیک اشتغال (اندازه).با ترسیم داده های پانل در سطح شرکت استخراج شده از بانک اطلاعاتی شرکتهای صنعتی چین 1998-2013 ، این مقاله پیشنهاد می کند رویکرد توصیفی مبتنی بر زنجیره مارکوف برای نشان دادن به وضوح اندازه شرکت انتقال پویایی بین دسته های مختلف.با این روش ، هر شرکت مسیر انتقال اندازه در یک دوره زمانی کوتاه می تواند به صورت شهودی نشان داده شود. علاوه بر این ، با استفاده از خواص ماتریس انتقال مارکوف ، تعریف روند انتقال و آنتروپی انتقال معرفی شده و تخمین زده.در نتیجه ، گرایش انتقال اندازه شرکت بین کوچک ، متوسط ​​و بزرگ را می توان دقیقاً آشکار کرد و عدم اطمینان از تغییر اندازه قابل اندازه گیری استبه طور کلی از شواهد این مقاله می تواند باشد استنباط کرد که شرکت های تولیدی کوچک و متوسط ​​در چین شغل بیشتری دارند پتانسیل های ایجاد در مقایسه با شرکت های بزرگ در این دوره زمانی.

We revisit the identification argument of Kirkeboen et al. (2016) who showed how one may combine instruments for multiple unordered treatments with information about individuals' ranking of these treatments to achieve identification while allowing for both observed and unobserved heterogeneity in treatment effects. We show that the key assumptions underlying their identification argument have testable implications. We also provide a new characterization of the bias that may arise if these assumptions are violated. Taken together, these results allow researchers not only to test the underlying assumptions, but also to argue whether the bias from violation of these assumptions are likely to be economically meaningful. Guided and motivated by these results, we estimate and compare the earnings payoffs to post-secondary fields of study in Norway and Denmark. In each country, we apply the identification argument of Kirkeboen et al. (2016) to data on individuals' ranking of fields of study and field-specific instruments from discontinuities in the admission systems. We empirically examine whether and why the payoffs to fields of study differ across the two countries. We find strong cross-country correlation in the payoffs to fields of study, especially after removing fields with violations of the assumptions underlying the identification argument.

ما استدلال شناسایی Kirkeboen و همکاران را دوباره مرور می کنیم.(2016) که نشان داد چگونه ممکن است ابزارهای مختلفی برای درمان های بدون هماهنگ با آن ترکیب شود اطلاعات مربوط به رتبه بندی این روشها برای دستیابی شناسایی در حالی که امکان ناهمگونی مشاهده شده و بدون نظارت در اثرات درمانی.ما نشان می دهیم که فرضیات کلیدی اساسی آنها استدلال شناسایی دارای پیامدهای قابل آزمایش است.ما همچنین یک جدید ارائه می دهیم خصوصیات تعصب که ممکن است در صورت نقض این فرضیات ایجاد شود. روی هم رفته ، این نتایج به محققان این امکان را می دهد که نه تنها زمینه را آزمایش کنند فرضیات ، بلکه استدلال می کنیم که آیا تعصب ناشی از نقض اینها فرضیات احتمالاً از نظر اقتصادی معنی دار هستند.هدایت و انگیزه توسط این نتایج ، ما بازپرداخت درآمد را با پس از متوسطه تخمین می زنیم و مقایسه می کنیم زمینه های مطالعه در نروژ و دانمارک.در هر کشور ، ما اعمال می کنیم استدلال شناسایی Kirkeboen و همکاران.(2016) به داده های مربوط به افراد رتبه بندی زمینه های مطالعه و ابزارهای خاص از ناپیوستگی در سیستم های پذیرش.ما به طور تجربی بررسی می کنیم که آیا و چرا بازپرداخت ها زمینه های تحصیلی در دو کشور متفاوت است.ما کشور متقاطع قوی پیدا می کنیم همبستگی در بازپرداخت در زمینه های مطالعه ، به ویژه پس از حذف زمینه ها با نقض فرضیات اساسی استدلال شناسایی.

In this paper we develop a novel method of combining many forecasts based on a machine learning algorithm called Graphical LASSO (GL). We visualize forecast errors from different forecasters as a network of interacting entities and generalize network inference in the presence of common factor structure and structural breaks. First, we note that forecasters often use common information and hence make common mistakes, which makes the forecast errors exhibit common factor structures. We use the Factor Graphical LASSO (FGL, Lee and Seregina (2023)) to separate common forecast errors from the idiosyncratic errors and exploit sparsity of the precision matrix of the latter. Second, since the network of experts changes over time as a response to unstable environments such as recessions, it is unreasonable to assume constant forecast combination weights. Hence, we propose Regime-Dependent Factor Graphical LASSO (RD-FGL) that allows factor loadings and idiosyncratic precision matrix to be regime-dependent. We develop its scalable implementation using the Alternating Direction Method of Multipliers (ADMM) to estimate regime-dependent forecast combination weights. The empirical application to forecasting macroeconomic series using the data of the European Central Bank's Survey of Professional Forecasters (ECB SPF) demonstrates superior performance of a combined forecast using FGL and RD-FGL.

در این مقاله ما یک روش جدید برای ترکیب بسیاری از پیش بینی ها بر اساس یک الگوریتم یادگیری ماشین به نام گرافیک لاسو (GL).ما پیش بینی را تجسم می کنیم خطاهای پیش بینی کننده های مختلف به عنوان شبکه ای از اشخاص تعامل و استنتاج شبکه را در حضور ساختار عاملی مشترک عمومی کنید و استراحت ساختاری.اول ، ما توجه می کنیم که پیش بینی کنندگان اغلب از اطلاعات مشترک استفاده می کنند و از این رو اشتباهات رایج انجام می دهد ، که باعث می شود خطاهای پیش بینی شده رایج باشد ساختار فاکتور.ما از فاکتور گرافیکی Lasso استفاده می کنیم (FGL ، Lee و Seregina (2023)) برای جدا کردن خطاهای پیش بینی مشترک از خطاهای خاص و سوءاستفاده از ماتریس دقیق دومی.دوم ، از آنجا شبکه متخصصان با گذشت زمان به عنوان پاسخ به محیط های ناپایدار تغییر می کنند مانند رکود اقتصادی ، فرض کردن ترکیب پیش بینی مداوم غیر منطقی است وزناز این رو ، ما لاسو گرافیکی فاکتور وابسته به رژیم (RD-FGL) را پیشنهاد می کنیم که باعث می شود بارگذاری عاملی و ماتریس دقیق ایدیوسکراتیک باشد وابسته به رژیمما اجرای مقیاس پذیر آن را با استفاده از متناوب توسعه می دهیم روش جهت چند ضرب (ADMM) برای برآورد پیش بینی وابسته به رژیم وزن ترکیبی.برنامه تجربی برای پیش بینی اقتصاد کلان سری با استفاده از داده های بررسی حرفه ای بانک مرکزی اروپا پیش بینی کنندگان (ECB SPF) عملکرد برتر یک پیش بینی ترکیبی را نشان می دهد با استفاده از FGL و RD-FGL.

We consider hypothesis testing in instrumental variable regression models with few included exogenous covariates but many instruments -- possibly more than the number of observations. We show that a ridge-regularised version of the jackknifed Anderson Rubin (1949, henceforth AR) test controls asymptotic size in the presence of heteroskedasticity, and when the instruments may be arbitrarily weak. Asymptotic size control is established under weaker assumptions than those imposed for recently proposed jackknifed AR tests in the literature. Furthermore, ridge-regularisation extends the scope of jackknifed AR tests to situations in which there are more instruments than observations. Monte-Carlo simulations indicate that our method has favourable finite-sample size and power properties compared to recently proposed alternative approaches in the literature. An empirical application on the elasticity of substitution between immigrants and natives in the US illustrates the usefulness of the proposed method for practitioners.

ما آزمایش فرضیه را در مدلهای رگرسیون متغیر ابزاری در نظر می گیریم با تعداد کمی از آنها متغیرهای اگزوژن اما بسیاری از ابزارها - احتمالاً بیشتر از تعداد مشاهدات.ما نشان می دهیم که نسخه ای از خط الراس از آزمون اندرسون روبین (1949 ، از این پس AR) کنترل بدون علامت را کنترل می کند اندازه در حضور ناهمگونی و هنگامی که سازها ممکن است باشد خودسرانه ضعیف است.کنترل اندازه بدون علامت تحت ضعیف تر ایجاد می شود فرضیات نسبت به آنهایی که برای تست های AR Jackknifed اخیراً پیشنهادی تحمیل شده اند در ادبیات.علاوه بر این ، خط الراس دامنه دامنه jackknifed را گسترش می دهد آزمایشات AR به موقعیت هایی که در آن ابزارهای بیشتری نسبت به مشاهدات وجود دارد. شبیه سازی مونت کارلو نشان می دهد که روش ما از نمونه محدود مطلوب برخوردار است اندازه و خصوصیات قدرت در مقایسه با روشهای جایگزین اخیراً پیشنهادی در ادبیاتیک کاربرد تجربی در زمینه خاصیت تعویض بین مهاجران و بومیان در ایالات متحده ، سودمندی را نشان می دهد روش پیشنهادی برای پزشکان.

Economists' interests in growth theory have a very long history (Harrod, 1939; Domar, 1946; Solow, 1956; Swan 1956; Mankiw, Romer, and Weil, 1992). Recently, starting from the neoclassical growth model, Ertur and Koch (2007) developed the spatially augmented Solow-Swan growth model with the exogenous spatial weights matrices ($W$). While the exogenous $W$ assumption could be true only with the geographical/physical distance, it may not be true when economic/social distances play a role. Using Penn World Table version 7.1, which covers year 1960-2010, I conducted the robust Rao's score test (Bera, Dogan, and Taspinar, 2018) to determine if $W$ is endogeonus and used the maximum likelihood estimation (Qu and Lee, 2015). The key finding is that the significance and positive effects of physical capital externalities and spatial externalities (technological interdependence) in Ertur and Koch (2007) were no longer found with the exogenous $W$, but still they were with the endogenous $W$ models. I also found an empirical strategy on which economic distance to use when the data recently has been under heavy shocks of the worldwide financial crises during year 1996-2010.

علایق اقتصاددانان در تئوری رشد تاریخ بسیار طولانی دارند (هارود ، 1939 ؛Domar ، 1946 ؛سولو ، 1956 ؛سوان 1956 ؛Mankiw ، Romer و Weil ، 1992). اخیراً ، از مدل رشد نئوکلاسیک ، Ertur و Koch (2007) مدل رشد سولو-سوان را با اگزوژن تقویت کرده است ماتریس وزن مکانی ($ w $).در حالی که فرض اگزوژن $ w $ می تواند باشد فقط با فاصله جغرافیایی/فیزیکی درست است ، ممکن است وقتی درست نباشد مسافت های اقتصادی/اجتماعی نقش دارد.با استفاده از جدول جهانی Penn World نسخه 7.1 ، که سال 1960-2010 را پوشش می دهد ، من آزمون نمره قوی رائو را انجام دادم (Bera ، Dogan ، and Taspinar ، 2018) برای تعیین اینکه آیا $ W $ Endogeonus است و از آن استفاده کرده است حداکثر برآورد احتمال (کو و لی ، 2015).یافته اصلی این است که اهمیت و تأثیرات مثبت سرمایه های فیزیکی و مکانی بیرونی (وابستگی متقابل فناوری) در Ertur و Koch (2007) نه طولانی تر با $ $ w $ ، اما هنوز هم با درون زا بودند $ W $ مدل ها.من همچنین یک استراتژی تجربی پیدا کردم که در آن فاصله اقتصادی از آن فاصله دارد از زمانی که داده ها اخیراً تحت شوک های سنگین جهان قرار گرفته اند استفاده کنید بحران های مالی در طول سال 1996-2010.

I propose Robust Rao's Score (RS) test statistic to determine endogeneity of spatial weights matrices in a spatial dynamic panel data (SDPD) model (Qu, Lee, and Yu, 2017). I firstly introduce the bias-corrected score function since the score function is not centered around zero due to the two-way fixed effects. I further adjust score functions to rectify the over-rejection of the null hypothesis under a presence of local misspecification in contemporaneous dependence over space, dependence over time, or spatial time dependence. I then derive the explicit forms of our test statistic. A Monte Carlo simulation supports the analytics and shows nice finite sample properties. Finally, an empirical illustration is provided using data from Penn World Table version 6.1.

من آماری آزمون قوی رائو (RS) را برای تعیین درون زایی پیشنهاد می کنم ماتریس وزن مکانی در یک مدل داده پانل پویا فضایی (SDPD) (Qu ، Lee ، و یو ، 2017).من ابتدا عملکرد امتیاز تعصب را از زمان معرفی می کنم عملکرد نمره به دلیل اثرات ثابت دو طرفه در حدود صفر نیست.من توابع نمره بیشتر را برای اصلاح بیش از حد رد تهی تنظیم کنید فرضیه تحت حضور غلط محلی در معاصر همزمان وابستگی به فضا ، وابستگی به مرور زمان یا وابستگی به زمان مکانی.من پس اشکال صریح آمار آزمون ما را استخراج کنید.یک شبیه سازی مونت کارلو از تجزیه و تحلیل پشتیبانی می کند و خصوصیات نمونه محدود را نشان می دهد.بالاخره ، تصویر تجربی با استفاده از داده های نسخه جدول جهانی پن ارائه شده است 6.1.

This paper proposes a density-weighted average derivative estimator based on two noisy measures of a latent regressor. Both measures have classical errors with possibly asymmetric distributions. We show that the proposed estimator achieves the root-n rate of convergence, and derive its asymptotic normal distribution for statistical inference. Simulation studies demonstrate excellent small-sample performance supporting the root-n asymptotic normality. Based on the proposed estimator, we construct a formal test on the sub-unity of the marginal propensity to consume out of permanent income (MPCP) under a nonparametric consumption model and a permanent-transitory model of income dynamics with nonparametric distribution. Applying the test to four recent waves of U.S. Panel Study of Income Dynamics (PSID), we reject the null hypothesis of the unit MPCP in favor of a sub-unit MPCP, supporting the buffer-stock model of saving.

در این مقاله یک برآوردگر مشتق متوسط ​​با وزن چگالی بر اساس دو اقدام پر سر و صدا از یک رگرسور نهفته.هر دو اقدام خطاهای کلاسیک دارند با توزیع احتمالاً نامتقارن.ما نشان می دهیم که برآوردگر پیشنهادی به میزان ریشه N از همگرایی دست می یابد و بدون علامت آن را طبیعی می کند توزیع برای استنباط آماری.مطالعات شبیه سازی نشان می دهد عملکرد عالی نمونه کوچک که از نرمال بودن بدون علامت root-n پشتیبانی می کند. بر اساس برآوردگر پیشنهادی ، ما یک آزمایش رسمی را در زیر اتحادیه می سازیم تمایل حاشیه ای برای مصرف از درآمد دائمی (MPCP) تحت یک مدل مصرف غیرپارامتری و یک مدل رهایی دائمی درآمد دینامیک با توزیع غیر پارامتری.استفاده از آزمون برای چهار مورد اخیر امواج مطالعه پانل ایالات متحده از پویایی درآمد (PSID) ، ما تهی را رد می کنیم فرضیه واحد MPCP به نفع MPCP زیر واحد ، پشتیبانی مدل بافر ذخیره پس انداز.

Researchers frequently test and improve model fit by holding a sample constant and varying the model. We propose methods to test and improve sample fit by holding a model constant and varying the sample. Much as the bootstrap is a well-known method to re-sample data and estimate the uncertainty of the fit of parameters in a model, we develop Sample Fit Reliability (SFR) as a set of computational methods to re-sample data and estimate the reliability of the fit of observations in a sample. SFR uses Scoring to assess the reliability of each observation in a sample, Annealing to check the sensitivity of results to removing unreliable data, and Fitting to re-weight observations for more robust analysis. We provide simulation evidence to demonstrate the advantages of using SFR, and we replicate three empirical studies with treatment effects to illustrate how SFR reveals new insights about each study.

محققان اغلب با نگه داشتن یک نمونه ، تناسب مدل را آزمایش و بهبود می بخشند ثابت و متفاوت مدل.ما روش هایی برای آزمایش و بهبود نمونه پیشنهاد می کنیم با نگه داشتن یک مدل ثابت و تغییر نمونه متناسب است.به اندازه بوت استرپ یک روش شناخته شده برای نمونه برداری مجدد داده ها و تخمین عدم اطمینان از متناسب با پارامترها در یک مدل ، ما به عنوان یک مجموعه قابلیت اطمینان متناسب با نمونه (SFR) را توسعه می دهیم روشهای محاسباتی برای نمونه گیری مجدد داده ها و تخمین قابلیت اطمینان از تناسب مشاهدات در یک نمونه.SFR از امتیاز دهی برای ارزیابی قابلیت اطمینان استفاده می کند هر مشاهده در یک نمونه ، آنیل برای بررسی حساسیت نتایج به از بین بردن داده های غیرقابل اعتماد ، و متناسب با مشاهدات وزن مجدد برای قوی تر تحلیل و بررسی.ما شواهد شبیه سازی را برای نشان دادن مزایای استفاده ارائه می دهیم SFR ، و ما سه مطالعه تجربی را با اثرات درمانی تکرار می کنیم نشان دهید که چگونه SFR بینش جدیدی درباره هر مطالعه نشان می دهد.

In this paper we study treatment assignment rules in the presence of social interaction. We construct an analytical framework under the anonymous interaction assumption, where the decision problem becomes choosing a treatment fraction. We propose a multinomial empirical success (MES) rule that includes the empirical success rule of Manski (2004) as a special case. We investigate the non-asymptotic bounds of the expected utility based on the MES rule. Finally, we prove that the MES rule achieves the asymptotic optimality with the minimax regret criterion.

در این مقاله قوانین تکالیف درمانی را در حضور اجتماعی مورد مطالعه قرار می دهیم اثر متقابل.ما یک چارچوب تحلیلی را تحت ناشناس می سازیم فرض تعامل ، جایی که مشکل تصمیم گیری در انتخاب یک درمان می شود کسر.ما یک قانون موفقیت تجربی چندمجمی (MES) را ارائه می دهیم که شامل می شود قانون موفقیت تجربی مانسکی (2004) به عنوان یک مورد خاص.ما تحقیق می کنیم مرزهای غیر متناوب ابزار مورد انتظار بر اساس قانون MES. سرانجام ، ما ثابت می کنیم که قانون MES به بهینه بودن بدون علامت با معیار پشیمانی مینیماکس.

We develop new econometric methods for the comparison of nonparametric time trends. In many applications, practitioners are interested in whether the observed time series all have the same time trend. Moreover, they would often like to know which trends are different and in which time intervals they differ. We design a multiscale test to formally approach these questions. Specifically, we develop a test which allows to make rigorous confidence statements about which time trends are different and where (that is, in which time intervals) they differ. Based on our multiscale test, we further develop a clustering algorithm which allows to cluster the observed time series into groups with the same trend. We derive asymptotic theory for our test and clustering methods. The theory is complemented by a simulation study and two applications to GDP growth data and house pricing data.

ما روشهای جدید اقتصاد سنجی را برای مقایسه زمان غیرپارامتری توسعه می دهیم رونددر بسیاری از برنامه ها ، پزشکان علاقه مند به این هستند که آیا سری زمانی مشاهده شده همه روند یکسان دارند.علاوه بر این ، آنها اغلب دوست دارم بدانید که کدام روند متفاوت است و در کدام زمان فواصل زمانی دارند فرق داشتن.ما یک آزمون چند مقیاس را طراحی می کنیم تا به طور رسمی به این سؤالات نزدیک شویم. به طور خاص ، ما تست هایی را ایجاد می کنیم که امکان اعتماد به نفس سخت را فراهم می کند اظهاراتی در مورد اینکه کدام روند زمانی متفاوت است و در کجا (یعنی ، در کدام فواصل زمانی) آنها متفاوت هستند.بر اساس تست چند مقیاس ما ، ما بیشتر توسعه می دهیم الگوریتم خوشه بندی که به شما امکان می دهد سری زمانی مشاهده شده را به هم جمع کنید گروه هایی با همان روند.ما نظریه بدون علامت را برای آزمون خود استخراج می کنیم و روشهای خوشه بندی.این تئوری توسط یک مطالعه شبیه سازی و دو مورد تکمیل می شود برنامه های کاربردی به داده های رشد تولید ناخالص داخلی و داده های قیمت گذاری خانه.

The multinomial choice model based on utility maximization has been widely used to select treatments. In this paper, we establish sufficient conditions for the identification of the marginal treatment effects with multivalued treatments. Our result reveals treatment effects conditioned on the willingness to participate in treatments against a specific treatment. Further, our results can identify other parameters such as the marginal distribution of potential outcomes.

مدل انتخاب چندمجمی مبتنی بر حداکثر سازی ابزار به طور گسترده ای بوده است برای انتخاب درمان استفاده می شود.در این مقاله ، ما شرایط کافی را تعیین می کنیم برای شناسایی اثرات درمانی حاشیه ای با چندگانه درمانهانتیجه ما اثرات درمانی را با توجه به تمایل نشان می دهد برای شرکت در درمانها علیه یک درمان خاص.علاوه بر این ، نتایج ما می تواند پارامترهای دیگری مانند توزیع حاشیه پتانسیل را شناسایی کند عواقب.

In light of widespread evidence of parameter instability in macroeconomic models, many time-varying parameter (TVP) models have been proposed. This paper proposes a nonparametric TVP-VAR model using Bayesian additive regression trees (BART) that models the TVPs as an unknown function of effect modifiers. The novelty of this model arises from the fact that the law of motion driving the parameters is treated nonparametrically. This leads to great flexibility in the nature and extent of parameter change, both in the conditional mean and in the conditional variance. Parsimony is achieved through adopting nonparametric factor structures and use of shrinkage priors. In an application to US macroeconomic data, we illustrate the use of our model in tracking both the evolving nature of the Phillips curve and how the effects of business cycle shocks on inflation measures vary nonlinearly with changes in the effect modifiers.

با توجه به شواهد گسترده از بی ثباتی پارامتر در اقتصاد کلان مدل ها ، بسیاری از مدل های پارامتر متغیر زمان (TVP) ارائه شده است.این کاغذ یک مدل TVP-VAR غیر پارامتری را با استفاده از درختان رگرسیون افزودنی بیزی پیشنهاد می کند (BART) که TVP ها را به عنوان یک تابع ناشناخته از اصلاح کننده های اثر مدل می کند.در تازگی این مدل از این واقعیت ناشی می شود که قانون حرکت رانندگی پارامترها به صورت غیر پارامتری درمان می شوند.این منجر به انعطاف پذیری زیاد در ماهیت و میزان تغییر پارامتر ، هم در میانگین مشروط و چه در واریانس شرطی.پارسیمونی از طریق اتخاذ غیرپارامتری حاصل می شود ساختار فاکتور و استفاده از مقدمات کوچک شدن.در برنامه ای به ما داده های کلان اقتصادی ، ما استفاده از مدل خود را در ردیابی هر دو نشان می دهیم در حال تحول ماهیت منحنی فیلیپس و چگونگی تأثیر چرخه تجارت شوک در اقدامات تورم به طور غیرخطی با تغییر در اثر متفاوت است اصلاح کننده ها

We study the problem of estimating the average causal effect of treating every member of a population, as opposed to none, using an experiment that treats only some. This is the policy-relevant estimand when deciding whether to scale up an intervention based on the results of an RCT, for example, but differs from the usual average treatment effect in the presence of spillovers. We consider both estimation and experimental design given a bound (parametrized by $\eta > 0$) on the rate at which spillovers decay with the ``distance'' between units, defined in a generalized way to encompass spatial and quasi-spatial settings, e.g. where the economically relevant concept of distance is a gravity equation. Over all estimators linear in the outcomes and all cluster-randomized designs the optimal geometric rate of convergence is $n^{-\frac{1}{2+\frac{1}{\eta}}}$, and this rate can be achieved using a generalized ``Scaling Clusters'' design that we provide. We then introduce the additional assumption, implicit in the OLS estimators used in recent applied studies, that potential outcomes are linear in population treatment assignments. These estimators are inconsistent for our estimand, but a refined OLS estimator is consistent and rate optimal, and performs better than IPW estimators when clusters must be small. Its finite-sample performance can be improved by incorporating prior information about the structure of spillovers. As a robust alternative to the linear approach we also provide a method to select estimator-design pairs that minimize a notion of worst-case risk when the data generating process is unknown. Finally, we provide asymptotically valid inference methods.

ما مشکل تخمین میانگین تأثیر علی درمان را مطالعه می کنیم هر یک از اعضای یک جمعیت ، بر خلاف هیچکدام ، با استفاده از آزمایشی که فقط برخی رفتار می کند.این برآورد مربوط به سیاست در هنگام تصمیم گیری است به عنوان مثال ، یک مداخله را بر اساس نتایج RCT مقیاس کنید ، اما متفاوت از اثر درمانی متوسط ​​معمول در حضور سرریزها است. ما هر دو تخمین و طراحی تجربی را با توجه به یک محدود (پارامتری) در نظر می گیریم با $ \ eta> 0 $) با نرخی که در آن سرریزها با "فاصله" پوسیده می شوند بین واحدها ، به روشی کلی برای شامل فضایی و تنظیمات شبه فضایی ، به عنوان مثالجایی که مفهوم اقتصادی مرتبط با آن فاصله یک معادله گرانش است.بیش از همه برآوردگرها خطی در نتایج و تمام طرح های تصادفی خوشه ای میزان هندسی بهینه همگرایی است $ n^{-\ frac {1} {2+ \ frac {1} {\ eta}}} $ ، طراحی "خوشه های مقیاس" که ما ارائه می دهیم.سپس ما را معرفی می کنیم فرض اضافی ، ضمنی در برآوردگرهای OLS که در اخیر استفاده شده است مطالعات ، که نتایج بالقوه در درمان جمعیت خطی است تکالیفاین برآوردگرها برای برآورد ما متناقض هستند ، اما تصفیه شده برآوردگر OLS سازگار و بهینه است و عملکرد بهتری از IPW دارد برآوردگرها وقتی خوشه ها باید کوچک باشند.عملکرد نمونه محدود آن می تواند باشد با ترکیب اطلاعات قبلی در مورد ساختار سرریزها بهبود یافته است. به عنوان یک جایگزین قوی برای رویکرد خطی ، ما نیز روشی را ارائه می دهیم جفت های طراحی برآوردگر را انتخاب کنید که مفهوم خطر بدترین حالت را به حداقل می رساند فرآیند تولید داده ناشناخته است.سرانجام ، ما بدون علامت ارائه می دهیم روشهای استنتاج معتبر.

I establish primitive conditions for unconfoundedness in a coherent model that features heterogeneous treatment effects, spillovers, selection-on-observables, and network formation. I identify average partial effects under minimal exchangeability conditions. If social interactions are also anonymous, I derive a three-dimensional network propensity score, characterize its support conditions, relate it to recent work on network pseudo-metrics, and study extensions. I propose a two-step semiparametric estimator for a random coefficients model which is consistent and asymptotically normal as the number and size of the networks grows. I apply my estimator to a political participation intervention Uganda and a microfinance application in India.

من شرایط ابتدایی را برای عدم تمایل در یک مدل منسجم ایجاد می کنم که شامل اثرات درمانی ناهمگن ، سرریزها است ، انتخاب بر روی observables و شکل گیری شبکه.من میانگین جزئی را شناسایی می کنم اثرات تحت شرایط حداقل مبادله.اگر تعامل اجتماعی باشد همچنین ناشناس ، من یک نمره گرایش شبکه سه بعدی را به دست می آورم ، شرایط پشتیبانی آن را مشخص کنید ، آن را با کارهای اخیر در شبکه مرتبط کنید شبه متری و پسوندهای مطالعه.من یک نیمه مرحله ای دو مرحله ای پیشنهاد می کنم برآوردگر برای یک مدل ضرایب تصادفی که سازگار است و با افزایش تعداد و اندازه شبکه ها به صورت مجانبی طبیعی است.من خود را اعمال می کنم برآوردگر یک مداخله مشارکت سیاسی اوگاندا و خردمندی برنامه در هند.

New satellite sensors will soon make it possible to estimate field-level crop yields, showing a great potential for agricultural index insurance. This paper identifies an important threat to better insurance from these new technologies: data with many fields and few years can yield downward biased estimates of basis risk, a fundamental metric in index insurance. To demonstrate this bias, we use state-of-the-art satellite-based data on agricultural yields in the US and in Kenya to estimate and simulate basis risk. We find a substantive downward bias leading to a systematic overestimation of insurance quality. In this paper, we argue that big data in crop insurance can lead to a new situation where the number of variables $N$ largely exceeds the number of observations $T$. In such a situation where $T\ll N$, conventional asymptotics break, as evidenced by the large bias we find in simulations. We show how the high-dimension, low-sample-size (HDLSS) asymptotics, together with the spiked covariance model, provide a more relevant framework for the $T\ll N$ case encountered in index insurance. More precisely, we derive the asymptotic distribution of the relative share of the first eigenvalue of the covariance matrix, a measure of systematic risk in index insurance. Our formula accurately approximates the empirical bias simulated from the satellite data, and provides a useful tool for practitioners to quantify bias in insurance quality.

سنسورهای ماهواره ای جدید به زودی امکان تخمین محصول در سطح میدان را فراهم می کنند بازده ، پتانسیل بسیار خوبی برای بیمه شاخص کشاورزی نشان می دهد.این کاغذ یک تهدید مهم برای بیمه بهتر از این فن آوری های جدید را مشخص می کند: داده ها با بسیاری از زمینه ها و چند سال می توانند تخمین های مغرضانه رو به پایین را ارائه دهند ریسک پایه ، یک معیار اساسی در بیمه شاخص.برای نشان دادن این تعصب ، ما از داده های ماهواره ای پیشرفته در مورد بازده کشاورزی در ایالات متحده استفاده می کنیم و در کنیا برای برآورد و شبیه سازی خطر پایه.ما یک ماده اساسی پیدا می کنیم تعصب رو به پایین که منجر به ارزیابی بیش از حد سیستماتیک کیفیت بیمه می شود. در این مقاله ، ما استدلال می کنیم که داده های بزرگ در بیمه محصولات زراعی می توانند منجر به جدید شوند وضعیتی که تعداد متغیرهای $ n $ تا حد زیادی از تعداد آنها فراتر رود مشاهدات $ t $.در چنین شرایطی که $ t \ ll n $ ، بدون علامت معمولی شکستن ، همانطور که از تعصب بزرگی که در شبیه سازی ها می یابیم مشهود است.ما نشان می دهیم که چگونه با کمیته بالا ، اندازه کم اندازه (HDLS) ، همراه با spiked مدل کواریانس ، یک چارچوب مناسب تر برای پرونده $ t \ ll n $ ارائه دهید در بیمه شاخص روبرو شده است.به طور دقیق تر ، ما بدون علامت به دست می آوریم توزیع سهم نسبی اولین مقادیر ویژه کواریانس ماتریس ، اندازه گیری ریسک سیستماتیک در بیمه شاخص.فرمول ما به طور دقیق تعصب تجربی شبیه سازی شده از داده های ماهواره ای را تقریب می دهد و فراهم می کند ابزاری مفید برای پزشکان برای تعیین کمبود تعصب در کیفیت بیمه.

We implement traditional machine learning and deep learning methods for global tweets from 2017-2022 to build a high-frequency measure of the public's sentiment index on inflation and analyze its correlation with other online data sources such as google trend and market-oriented inflation index. We use manually labeled trigrams to test the prediction performance of several machine learning models(logistic regression,random forest etc.) and choose Bert model for final demonstration. Later, we sum daily tweets' sentiment scores gained from Bert model to obtain the predicted inflation sentiment index, and we further analyze the regional and pre/post covid patterns of these inflation indexes. Lastly, we take other empirical inflation-related data as references and prove that twitter-based inflation sentiment analysis method has an outstanding capability to predict inflation. The results suggest that Twitter combined with deep learning methods can be a novel and timely method to utilize existing abundant data sources on inflation expectations and provide daily indicators of consumers' perception on inflation.

ما روشهای یادگیری ماشین سنتی و روشهای یادگیری عمیق را برای آن پیاده سازی می کنیم توییت های جهانی از 2017-2022 برای ایجاد یک اقدام با فرکانس بالا از عموم مردم شاخص احساسات در تورم و تجزیه و تحلیل همبستگی آن با سایر داده های آنلاین منابعی مانند Google Trend و شاخص تورم بازار محور.ما استفاده می کنیم برای آزمایش عملکرد پیش بینی چندین دستگاه ، Trigrams با برچسب دستی مدل های یادگیری (رگرسیون لجستیک ، جنگل تصادفی و غیره) و مدل برت را انتخاب کنید برای تظاهرات نهاییبعداً ، نمرات احساسات روزانه توییت را به دست می آوریم از مدل برت برای به دست آوردن شاخص احساسات پیش بینی شده تورم ، و ما بیشتر الگوهای منطقه ای و قبل/بعد از COVID این تورم را تجزیه و تحلیل کنید ایندکس هاسرانجام ، ما داده های مربوط به تورم تجربی دیگر را به عنوان منابع در نظر می گیریم و ثابت کنید که روش تجزیه و تحلیل تورم مبتنی بر توییتر دارای یک است توانایی برجسته برای پیش بینی تورم.نتایج حاکی از آن است که توییتر همراه با روشهای یادگیری عمیق می تواند روشی جدید و به موقع برای استفاده باشد منابع داده فراوان موجود در مورد انتظارات تورم و روزانه شاخص های درک مصرف کنندگان از تورم.

In this article, we show the benefits derived from the Chile-USA (in-force Jan, 2004) and Chile-China (in-force Oct, 2006) FTA on GDP consumer and producers to conclude that Chile improved its welfare improved after its subscription. From that point, we extrapolate to show the direct and indirect benefits of CTPP accession.

در این مقاله ، ما مزایای حاصل از شیلی-USA را نشان می دهیم (در داخل کشور ژانویه ، 2004) و شیلی-کینا (در نیروی اکتبر 2006) FTA در مورد تولید ناخالص داخلی و تولیدکنندگان نتیجه می گیرند که شیلی بهبود رفاه آن پس از آن بهبود یافته است اشتراک، ابونمان.از آن نقطه ، ما برای نشان دادن مستقیم و غیرمستقیم خارج می شویم مزایای الحاق CTPP.

We consider a regulator willing to drive individual choices towards increasing social welfare by providing incentives to a large population of individuals. For that purpose, we formalize and solve the problem of finding an optimal personalized-incentive policy: optimal in the sense that it maximizes social welfare under an incentive budget constraint, personalized in the sense that the incentives proposed depend on the alternatives available to each individual, as well as her preferences. We propose a polynomial time approximation algorithm that computes a policy within few seconds and we analytically prove that it is boundedly close to the optimum. We then extend the problem to efficiently calculate the Maximum Social Welfare Curve, which gives the maximum social welfare achievable for a range of incentive budgets (not just one value). This curve is a valuable practical tool for the regulator to determine the right incentive budget to invest. Finally, we simulate a large-scale application to mode choice in a French department (about 200 thousands individuals) and illustrate the effectiveness of the proposed personalized-incentive policy in reducing CO2 emissions.

ما یک تنظیم کننده را در نظر می گیریم که مایل است گزینه های فردی را به سمت خود سوق دهد افزایش رفاه اجتماعی با ارائه مشوق هایی برای جمعیت زیادی اشخاص حقیقی. برای این منظور ، ما مشکل پیدا کردن مطلوب را رسمیت و حل می کنیم سیاست غیرمترقبه شخصی: بهینه به این معنا که حداکثر اجتماعی را به خود اختصاص می دهد رفاه تحت یک محدودیت بودجه تشویقی ، شخصی به این معنا که مشوق های پیشنهادی به گزینه های موجود برای هر یک بستگی دارد فردی و همچنین ترجیحات او. ما یک الگوریتم تقریب زمان چند جمله ای را پیشنهاد می کنیم که یک خط مشی را محاسبه می کند در عرض چند ثانیه و ما از نظر تحلیلی ثابت می کنیم که محدوده نزدیک به حالت مطلوب. سپس ما مشکل را برای محاسبه کارآمد حداکثر اجتماعی گسترش می دهیم منحنی رفاهی ، که حداکثر رفاه اجتماعی را برای طیف وسیعی از دست می دهد بودجه تشویقی (نه فقط یک ارزش). این منحنی یک ابزار عملی ارزشمند برای تنظیم کننده است بودجه تشویقی مناسب برای سرمایه گذاری. سرانجام ، ما یک برنامه در مقیاس بزرگ را در انتخاب حالت در یک فرانسوی شبیه سازی می کنیم بخش (حدود 200 هزار نفر) و اثربخشی را نشان می دهد از سیاست پیشنهادی شخصی در کاهش انتشار CO2.

To what extent is the volume of urban bicycle traffic affected by the provision of bicycle infrastructure? In this study, we exploit a large dataset of observed bicycle trajectories in combination with a fine-grained representation of the Copenhagen bicycle-relevant network. We apply a novel model for bicyclists' choice of route from origin to destination that takes the complete network into account. This enables us to determine bicyclists' preferences for a range of infrastructure and land-use types. We use the estimated preferences to compute a subjective cost of bicycle travel, which we correlate with the number of bicycle trips across a large number of origin-destination pairs. Simulations suggest that the extensive Copenhagen bicycle lane network has caused the number of bicycle trips and the bicycle kilometers traveled to increase by 60% and 90%, respectively, compared with a counterfactual without the bicycle lane network. This translates into an annual benefit of EUR 0.4M per km of bicycle lane owing to changes in subjective travel cost, health, and accidents. Our results thus strongly support the provision of bicycle infrastructure.

تا چه حد حجم ترافیک دوچرخه شهری تحت تأثیر قرار گرفته است ارائه زیرساخت دوچرخه؟در این مطالعه ، ما از یک مجموعه داده بزرگ سوءاستفاده می کنیم مسیرهای دوچرخه مشاهده شده در ترکیب با یک دانه ریز نمایندگی شبکه مربوط به دوچرخه کپنهاگ.ما یک رمان اعمال می کنیم مدل برای انتخاب دوچرخه سواران از مسیر از مبدا به مقصد که طول می کشد شبکه کامل را در نظر بگیرید.این ما را قادر می سازد تا دوچرخه سواران را تعیین کنیم ترجیحات برای طیف وسیعی از زیرساخت ها و انواع کاربری اراضی.ما از ترجیحات برآورد شده برای محاسبه هزینه ذهنی سفر دوچرخه ، که ما با تعداد سفرهای دوچرخه در تعداد زیادی از آنها ارتباط دارد جفت های مبدا-خواب.شبیه سازی ها نشان می دهد که کپنهاگ گسترده شبکه خط دوچرخه باعث افزایش تعداد سفرهای دوچرخه و دوچرخه شده است کیلومتر به ترتیب 60 ٪ و 90 ٪ افزایش یافته است ، در مقایسه با A خلاف واقع بدون شبکه خط دوچرخه.این به سالانه ترجمه می شود سود 0.4 میلیون یورو در هر کیلومتر خط دوچرخه به دلیل تغییر در ذهنی هزینه سفر ، سلامتی و تصادفات.نتایج ما از این رو به شدت پشتیبانی می کند ارائه زیرساخت های دوچرخه.

This paper develops the likelihood ratio-based test of the null hypothesis of a M0-component model against an alternative of (M0 + 1)-component model in the normal mixture panel regression by extending the Expectation-Maximization (EM) test of Chen and Li (2009a) and Kasahara and Shimotsu (2015) to the case of panel data. We show that, unlike the cross-sectional normal mixture, the first-order derivative of the density function for the variance parameter in the panel normal mixture is linearly independent of its second-order derivatives for the mean parameter. On the other hand, like the cross-sectional normal mixture, the likelihood ratio test statistic of the panel normal mixture is unbounded. We consider the Penalized Maximum Likelihood Estimator to deal with the unboundedness, where we obtain the data-driven penalty function via computational experiments. We derive the asymptotic distribution of the Penalized Likelihood Ratio Test (PLRT) and EM test statistics by expanding the log-likelihood function up to five times for the reparameterized parameters. The simulation experiment indicates good finite sample performance of the proposed EM test. We apply our EM test to estimate the number of production technology types for the finite mixture Cobb-Douglas production function model studied by Kasahara et al. (2022) used the panel data of the Japanese and Chilean manufacturing firms. We find the evidence of heterogeneity in elasticities of output for intermediate goods, suggesting that production function is heterogeneous across firms beyond their Hicks-neutral productivity terms.

این مقاله آزمون مبتنی بر نسبت نسبتاً نسبت به فرضیه تهی را توسعه می دهد یک مدل مؤلفه M0 در برابر جایگزین (M0 + 1) مدل مؤلفه در رگرسیون پنل مخلوط طبیعی با گسترش حداکثر انتظار (EM) آزمون چن و لی (2009a) و Kasahara و Shimotsu (2015) به پرونده پنل اطلاعات.ما نشان می دهیم که برخلاف مخلوط طبیعی مقطعی ، مشتق مرتبه اول عملکرد چگالی برای پارامتر واریانس در مخلوط طبیعی پانل به طور خطی مستقل از مرتبه دوم آن است مشتقات برای پارامتر میانگین.از طرف دیگر ، مانند مقطعی مخلوط طبیعی ، آمار تست نسبت احتمال مخلوط پانل طبیعی بی حد و مرز استما برآوردگر حداکثر احتمال مجازات را در نظر می گیریم با عدم محدودیت ، جایی که ما عملکرد مجازات داده محور را از طریق بدست می آوریم آزمایش های محاسباتی.ما توزیع بدون علامت از آزمون نسبت احتمال مجازات (PLRT) و آمار آزمون EM با گسترش عملکرد ورود به سیستم تا پنج بار برای پارامترهای reparameterized. آزمایش شبیه سازی نشان دهنده عملکرد نمونه محدود خوب از تست EM پیشنهادی.ما برای برآورد تعداد تولید از آزمون EM خود استفاده می کنیم انواع فناوری برای مدل عملکرد تولید Cobb-Douglas مخلوط محدود مورد مطالعه Kasahara و همکاران.(2022) از داده های پانل ژاپنی ها و شرکت های تولید شیلی.ما شواهد ناهمگونی در خاصیت تولید کالاهای میانی ، تولید آن را نشان می دهد عملکرد ناهمگن در بنگاه های فراتر از بهره وری بی طرف آنها است مقررات.

We establish nonparametric identification of auction models with continuous and nonseparable unobserved heterogeneity using three consecutive order statistics of bids. We then propose sieve maximum likelihood estimators for the joint distribution of unobserved heterogeneity and the private value, as well as their conditional and marginal distributions. Lastly, we apply our methodology to a novel dataset from judicial auctions in China. Our estimates suggest substantial gains from accounting for unobserved heterogeneity when setting reserve prices. We propose a simple scheme that achieves nearly optimal revenue by using the appraisal value as the reserve price.

ما شناسایی غیرپارامتری مدل های حراج را با مداوم ایجاد می کنیم و ناهمگونی غیرقابل توصیف با استفاده از سه دستور متوالی آمار پیشنهادات.سپس ما برآوردگرهای حداکثر احتمال را برای توزیع مشترک ناهمگونی بدون نظارت و ارزش خصوصی نیز به عنوان توزیع مشروط و حاشیه ای آنها.در آخر ، ما خود را اعمال می کنیم روش شناسی به یک مجموعه داده جدید از حراج های قضایی در چین.برآوردهای ما دستاوردهای قابل توجهی از حسابداری برای ناهمگونی بدون نظارت در هنگام تعیین قیمت ذخیره.ما یک طرح ساده را پیشنهاد می کنیم که تقریباً بهینه می رسد درآمد با استفاده از ارزش ارزیابی به عنوان قیمت ذخیره.

When proxies (external instruments) used to identify target structural shocks are weak, inference in proxy-SVARs (SVAR-IVs) is nonstandard and the construction of asymptotically valid confidence sets for the impulse responses of interest requires weak-instrument robust methods. In the presence of multiple target shocks, test inversion techniques require extra restrictions on the proxy-SVAR parameters other those implied by the proxies that may be difficult to interpret and test. We show that frequentist asymptotic inference in these situations can be conducted through Minimum Distance estimation and standard asymptotic methods if the proxy-SVAR can be identified by using `strong' instruments for the non-target shocks; i.e. the shocks which are not of primary interest in the analysis. The suggested identification strategy hinges on a novel pre-test for the null of instrument relevance based on bootstrap resampling which is not subject to pre-testing issues, in the sense that the validity of post-test asymptotic inferences is not affected by the outcomes of the test. The test is robust to conditionally heteroskedasticity and/or zero-censored proxies, is computationally straightforward and applicable regardless of the number of shocks being instrumented. Some illustrative examples show the empirical usefulness of the suggested identification and testing strategy.

هنگامی که پروکسی ها (ابزارهای خارجی) برای شناسایی شوک های ساختاری هدف استفاده می شوند ضعیف هستند ، استنباط در پروکسی-سوارها (SVAR-IVS) غیر استاندارد است ساخت مجموعه اعتماد به نفس بدون علامت برای پاسخ های ضربه ای مورد علاقه به روشهای قوی در ادا کننده نیاز دارد.در حضور چند شوک هدف ، تکنیک های وارونگی آزمایش نیاز به محدودیت های اضافی در پارامترهای Proxy-Svar سایر مواردی که توسط پروکسی که ممکن است باشد وجود دارد تفسیر و آزمایش دشوار است.ما آن استنباط بدون علامت مکرر را نشان می دهیم در این شرایط می تواند از طریق حداقل تخمین فاصله انجام شود و روشهای بدون علامت استاندارد اگر با استفاده از پروکسی-سوار شناسایی شود ابزارهای "قوی" برای شوک های غیر هدف ؛یعنی شوک هایی که نیستند علاقه اصلی به تجزیه و تحلیل.استراتژی شناسایی پیشنهادی لولا به آزمون پیش از رمان برای تهی ارتباط ابزار بر اساس بازگرداندن bootstrap که مشمول مسائل قبل از آزمایش نیست ، به این معنا که اعتبار استنتاج بدون علامت پس از آزمون تحت تأثیر قرار نمی گیرد نتایج آزمون.این آزمون به ناهمگونی از نظر مشروط قوی است و/یا پروکسی های سانسور صفر ، از نظر محاسباتی ساده و کاربردی است صرف نظر از تعداد شوک های مورد نیاز.برخی از مصور نمونه ها سودمندی تجربی شناسایی پیشنهادی و استراتژی آزمایش.

I study the problem of a decision maker choosing a policy which allocates treatment to a heterogeneous population on the basis of experimental data that includes only a subset of possible treatment values. The effects of new treatments are partially identified by shape restrictions on treatment response. Policies are compared according to the minimax regret criterion, and I show that the empirical analog of the population decision problem has a tractable linear- and integer-programming formulation. I prove the maximum regret of the estimated policy converges to the lowest possible maximum regret at a rate which is the maximum of N^-1/2 and the rate at which conditional average treatment effects are estimated in the experimental data. I apply my results to design targeted subsidies for electrical grid connections in rural Kenya, and estimate that 97% of the population should be given a treatment not implemented in the experiment.

من مشکل یک تصمیم گیرنده را انتخاب می کنم که سیاستی را اختصاص می دهد درمان به یک جمعیت ناهمگن بر اساس داده های تجربی که فقط یک زیر مجموعه از مقادیر درمانی احتمالی را شامل می شود.اثرات جدید درمان ها تا حدی با محدودیت های شکل در درمان مشخص می شوند واکنش.سیاست ها با توجه به معیار پشیمانی Minimax مقایسه می شوند و من نشان می دهم که آنالوگ تجربی مشکل تصمیم گیری جمعیت دارای یک است فرمولاسیون برنامه ریزی خطی و عدد صحیح خطی.من حداکثر را اثبات می کنم پشیمانی از سیاست تخمین زده شده به کمترین حسرت حداکثر ممکن با نرخی که حداکثر N^-1/2 و نرخ شرط آن است میانگین اثرات درمانی در داده های تجربی تخمین زده می شود.من خود را اعمال می کنم نتایج به طراحی یارانه های هدفمند برای اتصالات شبکه الکتریکی در روستایی کنیا ، و تخمین بزنید که 97 ٪ از جمعیت باید به یک درمان داده نشود در آزمایش اجرا شده است.

This study proposes a reversible jump Markov chain Monte Carlo method for estimating parameters of lognormal distribution mixtures for income. Using simulated data examples, we examined the proposed algorithm's performance and the accuracy of posterior distributions of the Gini coefficients. Results suggest that the parameters were estimated accurately. Therefore, the posterior distributions are close to the true distributions even when the different data generating process is accounted for. Moreover, promising results for Gini coefficients encouraged us to apply our method to real data from Japan. The empirical examples indicate two subgroups in Japan (2020) and the Gini coefficients' integrity.

این مطالعه یک روش زنجیره ای پرش قابل برگشت مونت کارلو را برای شما پیشنهاد می کند برآورد پارامترهای مخلوط توزیع lognormal برای درآمد.استفاده كردن نمونه های داده شبیه سازی شده ، ما عملکرد الگوریتم پیشنهادی را بررسی کردیم و دقت توزیع خلفی ضرایب جینی.نتایج نشان می دهد که پارامترها به طور دقیق تخمین زده می شوند.بنابراین ، خلفی توزیع ها نزدیک به توزیع های واقعی حتی در صورت داده های مختلف است فرآیند تولید برای آن حساب می شود.علاوه بر این ، نتایج امیدوار کننده برای جینی ضرایب ما را ترغیب کردند که روش خود را برای داده های واقعی از ژاپن اعمال کنیم.در نمونه های تجربی نشان دهنده دو زیر گروه در ژاپن (2020) و جینی است یکپارچگی ضرایب.

By fully accounting for the distinct tariff regimes levied on imported meat, we estimate substitution elasticities of Japan's two-stage import aggregation functions for beef, chicken and pork. While the regression analysis crucially depends on the price that consumers face, the post-tariff price of imported meat depends not only on ad valorem duties but also on tariff rate quotas and gate price system regimes. The effective tariff rate is consequently evaluated by utilizing monthly transaction data. To address potential endogeneity problems, we apply exchange rates that we believe to be independent of the demand shocks for imported meat. The panel nature of the data allows us to retrieve the first-stage aggregates via time dummy variables, free of demand shocks, to be used as part of the explanatory variable and as an instrument in the second-stage regression.

با حساب کردن کامل برای رژیم های تعرفه ای متمایز که بر روی گوشت وارداتی تعلق می گیرد ، ما خاصیت ارتجاعی تعویض تجمع دو مرحله ای ژاپن را تخمین می زنیم توابع گوشت گاو ، مرغ و گوشت خوک.در حالی که تجزیه و تحلیل رگرسیون بسیار مهم است بستگی به قیمتی دارد که مصرف کنندگان با آن روبرو هستند ، قیمت پس از تعرفه واردات گوشت نه تنها به وظایف تبلیغاتی Valorem بلکه به سهمیه نرخ تعرفه بستگی دارد و رژیم های سیستم قیمت دروازه.در نتیجه میزان تعرفه مؤثر ارزیابی می شود با استفاده از داده های معامله ماهانه.برای پرداختن به درون زایی بالقوه مشکلات ، ما نرخ ارز را اعمال می کنیم که معتقدیم مستقل از تقاضای شوک برای گوشت وارداتی.ماهیت پانل داده ها به ما امکان می دهد مصالح مرحله اول را از طریق متغیرهای ساختگی زمان ، بدون تقاضا بازیابی کنید شوک ها ، به عنوان بخشی از متغیر توضیحی و به عنوان ابزاری در رگرسیون مرحله دوم.

We develop a novel filtering and estimation procedure for parametric option pricing models driven by general affine jump-diffusions. Our procedure is based on the comparison between an option-implied, model-free representation of the conditional log-characteristic function and the model-implied conditional log-characteristic function, which is functionally affine in the model's state vector. We formally derive an associated linear state space representation and establish the asymptotic properties of the corresponding measurement errors. The state space representation allows us to use a suitably modified Kalman filtering technique to learn about the latent state vector and a quasi-maximum likelihood estimator of the model parameters, which brings important computational advantages. We analyze the finite-sample behavior of our procedure in Monte Carlo simulations. The applicability of our procedure is illustrated in two case studies that analyze S&P 500 option prices and the impact of exogenous state variables capturing Covid-19 reproduction and economic policy uncertainty.

ما یک روش فیلتر و تخمین جدید برای گزینه پارامتری ایجاد می کنیم مدل های قیمت گذاری که توسط ژنرال adfine jumbusions رانده می شوند.رویه ما مبتنی است در مقایسه بین یک بازنمایی بدون مدل ، بدون مدل عملکرد مشخصه ورود به سیستم و مشروط به مدل عملکرد مشخصه ورود به سیستم ، که از نظر عملکردی در حالت مدل وابسته است بردارما به طور رسمی یک نمایندگی فضای خطی مرتبط با ما را استخراج می کنیم و خصوصیات بدون علامت خطاهای اندازه گیری مربوطه را ایجاد کنید. نمایندگی فضای دولتی به ما اجازه می دهد تا از کالمن اصلاح شده مناسب استفاده کنیم تکنیک فیلتر برای یادگیری در مورد بردار حالت نهفته و یک حداکثر شبه برآوردگر احتمال پارامترهای مدل ، که مهم را به ارمغان می آورد مزایای محاسباتی.ما رفتار نمونه محدود خود را تجزیه و تحلیل می کنیم روش در شبیه سازی مونت کارلو.کاربرد رویه ما است نشان داده شده در دو مطالعه موردی که قیمت گزینه S&P 500 را تجزیه و تحلیل می کنند و تأثیر متغیرهای حالت اگزوژن ضبط تولید مثل COVID-19 و عدم قطعیت سیاست اقتصادی.

Given independent samples from two univariate distributions, one-sided Wilcoxon-Mann-Whitney statistics may be used to conduct rank-based tests of stochastic dominance. We broaden the scope of applicability of such tests by showing that the bootstrap may be used to conduct valid inference in a matched pairs sampling framework permitting dependence between the two samples. Further, we show that a modified bootstrap incorporating an implicit estimate of a contact set may be used to improve power. Numerical simulations indicate that our test using the modified bootstrap effectively controls the null rejection rates and can deliver more or less power than that of the Donald-Hsu test. In the course of establishing our results we obtain a weak approximation to the empirical ordinance dominance curve permitting its population density to diverge to infinity at zero or one at arbitrary rates.

با توجه به نمونه های مستقل از دو توزیع یک طرفه ، یک طرفه آمار Wilcoxon-Mann-Whitney ممکن است برای انجام آزمایشات مبتنی بر رتبه از تسلط تصادفی.ما دامنه کاربرد چنین آزمایشاتی را توسط نشان می دهد که bootstrap ممکن است برای انجام استنتاج معتبر در یک همسان استفاده شود چارچوب نمونه گیری جفت باعث وابستگی بین دو نمونه می شود. علاوه بر این ، ما نشان می دهیم که یک بوت استرپ اصلاح شده شامل یک تخمین ضمنی از یک مجموعه تماس ممکن است برای بهبود قدرت استفاده شود.شبیه سازی های عددی نشان می دهد که آزمایش ما با استفاده از بوت استرپ اصلاح شده به طور مؤثر NULL را کنترل می کند نرخ رد می شود و می تواند کم و بیش قدرت نسبت به دونالد-HSU داشته باشد تست.در جریان نتایج ما تقریب ضعیفی را بدست می آوریم به منحنی تسلط تجربی تجربی اجازه چگالی جمعیت آن را می دهد به بی نهایت با صفر یا یک با نرخ دلخواه واگرایی کنید.

We investigate the returns to adolescent friendships on earnings in adulthood. Using data from the National Longitudinal Study of Adolescent to Adult Health, we document that individuals make investments to accumulate friends in addition to educational investments. Because both education and friendships are jointly determined in adolescence, OLS estimates of their returns are biased. To estimate the causal returns to friendships, we implement a novel procedure that assumes the returns to schooling range from 5 to 15% (as the literature has documented), and instrument for friendships using similarity in age among peers to obtain bounds on the returns to friendships. We find that having one more friend in adolescence increases earnings between 7 and 14%, which is substantially larger than the OLS estimates: measurement error and omitted variables lead to significant downward bias.

ما بازده دوستی نوجوانان را در مورد درآمد در بررسی می کنیم بزرگسالیبا استفاده از داده های حاصل از مطالعه طولی ملی نوجوان به سلامت بزرگسالان ، ما مستند می کنیم که افراد برای جمع آوری سرمایه گذاری می کنند دوستان علاوه بر سرمایه گذاری های آموزشی.زیرا هم آموزش و هم دوستی ها به طور مشترک در نوجوانی تعیین می شوند ، برآورد OLS از آنها بازده مغرضانه است.برای برآورد بازده علی به دوستی ها ، ما پیاده سازی می کنیم روشی جدید که بازده به مدرسه را فرض می کند از 5 تا 15 ٪ است (به عنوان ادبیات مستند شده است) و ابزاری برای دوستی با استفاده از شباهت در سن در بین همسالان برای به دست آوردن مرزهای بازگشت به دوستی.ما این را پیدا می کنیم داشتن یک دوست دیگر در بزرگسالی باعث افزایش درآمد بین 7 تا 14 ٪ می شود ، که از نظر قابل ملاحظه ای بزرگتر از تخمین های OLS است: خطای اندازه گیری و متغیرهای حذف شده منجر به تعصب نزولی قابل توجهی می شوند.

We study a novel large dimensional approximate factor model with regime changes in the loadings driven by a latent first order Markov process. By exploiting the equivalent linear representation of the model, we first recover the latent factors by means of Principal Component Analysis. We then cast the model in state-space form, and we estimate loadings and transition probabilities through an EM algorithm based on a modified version of the Baum-Lindgren-Hamilton-Kim filter and smoother that makes use of the factors previously estimated. Our approach is appealing as it provides closed form expressions for all estimators. More importantly, it does not require knowledge of the true number of factors. We derive the theoretical properties of the proposed estimation procedure, and we show their good finite sample performance through a comprehensive set of Monte Carlo experiments. The empirical usefulness of our approach is illustrated through an application to a large portfolio of stocks.

ما یک مدل فاکتور تقریبی بعدی جدید جدید با رژیم را مطالعه می کنیم تغییرات در بارهای ناشی از فرآیند نهان مرتبه اول مارکوف.توسط با بهره برداری از بازنمایی خطی معادل مدل ، ابتدا بهبود می یابیم عوامل نهفته با استفاده از تجزیه و تحلیل مؤلفه اصلی.سپس ما را بازی می کنیم مدل به شکل فضای حالت ، و ما بار و انتقال را تخمین می زنیم احتمالات از طریق یک الگوریتم EM بر اساس یک نسخه اصلاح شده از فیلتر Baum-Lindgren-Hamilton-KIM و نرم تر که از عوامل استفاده می کند قبلاً تخمین زده شده است.رویکرد ما جذاب است زیرا فرم بسته را ارائه می دهد عبارات برای همه برآوردگرها.مهمتر از همه ، به دانش احتیاج ندارد از تعداد واقعی عواملما خصوصیات نظری را استخراج می کنیم روش تخمین پیشنهادی ، و ما عملکرد نمونه محدود آنها را نشان می دهیم از طریق مجموعه ای جامع از آزمایش های مونت کارلو.تجربی سودمندی رویکرد ما از طریق برنامه کاربردی بزرگ نشان داده شده است نمونه کارها سهام.

This paper studies the properties of linear regression on centrality measures when network data is sparse -- that is, when there are many more agents than links per agent -- and when they are measured with error. We make three contributions in this setting: (1) We show that OLS estimators can become inconsistent under sparsity and characterize the threshold at which this occurs, with and without measurement error. This threshold depends on the centrality measure used. Specifically, regression on eigenvector is less robust to sparsity than on degree and diffusion. (2) We develop distributional theory for OLS estimators under measurement error and sparsity, finding that OLS estimators are subject to asymptotic bias even when they are consistent. Moreover, bias can be large relative to their variances, so that bias correction is necessary for inference. (3) We propose novel bias correction and inference methods for OLS with sparse noisy networks. Simulation evidence suggests that our theory and methods perform well, particularly in settings where the usual OLS estimators and heteroskedasticity-consistent/robust t-tests are deficient. Finally, we demonstrate the utility of our results in an application inspired by De Weerdt and Deacon (2006), in which we consider consumption smoothing and social insurance in Nyakatoke, Tanzania.

در این مقاله به بررسی خصوصیات رگرسیون خطی در اقدامات مرکزیت وقتی داده های شبکه پراکنده هستند - یعنی وقتی تعداد بیشتری از عوامل وجود دارد پیوندها برای هر عامل - و هنگامی که آنها با خطا اندازه گیری می شوند.ما سه می سازیم مشارکت در این تنظیم: (1) ما نشان می دهیم که برآوردگرهای OLS می توانند تبدیل شوند متناقض تحت کمبود و مشخص کردن آستانه ای که در آن وجود دارد با و بدون خطای اندازه گیری رخ می دهد.این آستانه به اندازه گیری مرکزیت استفاده شده است.به طور خاص ، رگرسیون در eigenveector کمتر قوی است به کمبود نسبت به درجه و انتشار.(2) ما تئوری توزیع را توسعه می دهیم برای برآوردگرهای OLS تحت خطای اندازه گیری و کمبود ، پیدا کردن آن OLS برآوردگرها حتی در صورت سازگاری در معرض تعصب بدون علامت قرار می گیرند. علاوه بر این ، تعصب می تواند نسبت به واریانس آنها بزرگ باشد ، به طوری که تعصب تصحیح برای استنباط ضروری است.(3) ما تصحیح تعصب جدید را پیشنهاد می کنیم و روشهای استنتاج برای OLS با شبکه های پر سر و صدا.شواهد شبیه سازی نشان می دهد که تئوری و روشهای ما به ویژه در تنظیمات عملکرد خوبی دارند جایی که برآوردگرهای معمول OLS و آزمونهای T ناهمگونی سازگار/قوی T کمبود هستندسرانجام ، ما ابزار نتایج خود را در یک نشان می دهیم برنامه با الهام از De Weerdt و Deacon (2006) ، که در آن ما در نظر می گیریم هموار سازی مصرف و بیمه اجتماعی در Nyakatoke ، تانزانیا.

In this paper, we use the results in Andrews and Cheng (2012), extended to allow for parameters to be near or at the boundary of the parameter space, to derive the asymptotic distributions of the two test statistics that are used in the two-step (testing) procedure proposed by Pedersen and Rahbek (2019). The latter aims at testing the null hypothesis that a GARCH-X type model, with exogenous covariates (X), reduces to a standard GARCH type model, while allowing the "GARCH parameter" to be unidentified. We then provide a characterization result for the asymptotic size of any test for testing this null hypothesis before numerically establishing a lower bound on the asymptotic size of the two-step procedure at the 5% nominal level. This lower bound exceeds the nominal level, revealing that the two-step procedure does not control asymptotic size. In a simulation study, we show that this finding is relevant for finite samples, in that the two-step procedure can suffer from overrejection in finite samples. We also propose a new test that, by construction, controls asymptotic size and is found to be more powerful than the two-step procedure when the "ARCH parameter" is "very small" (in which case the two-step procedure underrejects).

در این مقاله ، ما از نتایج در اندروز و چنگ (2012) استفاده می کنیم ، که به آن گسترش یافته است اجازه دهید پارامترها نزدیک یا در مرز فضای پارامتر باشند ، تا توزیع بدون علامت دو آمار آزمون را که در آن استفاده می شود ، استخراج کنید روش دو مرحله ای (آزمایش) ارائه شده توسط پدرسن و راک (2019).در هدف دوم آزمایش فرضیه تهی است که یک مدل Garch-X از نوع ، با متغیرهای اگزوژن (X) ، در حالی که به یک مدل نوع استاندارد Garch کاهش می یابد اجازه می دهد "پارامتر GARCH" ناشناس شود.سپس ما یک نتیجه خصوصیات برای اندازه بدون علامت هر آزمایش برای آزمایش این فرضیه تهی قبل از ایجاد عددی محدودیت پایین در بدون علامت اندازه روش دو مرحله ای در سطح اسمی 5 ٪.این محدوده پایین از سطح اسمی فراتر می رود و نشان می دهد که روش دو مرحله ای چنین نمی کند اندازه مجانبی را کنترل کنید.در یک مطالعه شبیه سازی ، ما نشان می دهیم که این یافته است مربوط به نمونه های محدود ، به این ترتیب که روش دو مرحله ای می تواند از آن رنج ببرد بیش از حد در نمونه های محدود.ما همچنین آزمایش جدیدی را پیشنهاد می کنیم که توسط ساخت و ساز ، اندازه بدون علامت را کنترل می کند و از نظر قدرتمندتر از آن است روش دو مرحله ای که "پارامتر قوس" "بسیار کوچک" است (در این صورت روش دو مرحله ای کم مصرف).

Many experiments elicit subjects' prior and posterior beliefs about a random variable to assess how information affects one's own actions. However, beliefs are multi-dimensional objects, and experimenters often only elicit a single response from subjects. In this paper, we discuss how the incentives offered by experimenters map subjects' true belief distributions to what profit-maximizing subjects respond in the elicitation task. In particular, we show how slightly different incentives may induce subjects to report the mean, mode, or median of their belief distribution. If beliefs are not symmetric and unimodal, then using an elicitation scheme that is mismatched with the research question may affect both the magnitude and the sign of identified effects, or may even make identification impossible. As an example, we revisit Cantoni et al.'s (2019) study of whether political protests are strategic complements or substitutes. We show that they elicit modal beliefs, while modal and mean beliefs may be updated in opposite directions following their experiment. Hence, the sign of their effects may change, allowing an alternative interpretation of their results.

بسیاری از آزمایشات اعتقادات قبلی و خلفی افراد را در مورد یک تصادفی استخراج می کنند متغیر برای ارزیابی چگونگی تأثیر اطلاعات بر اقدامات شخصی خود.با این حال ، اعتقادات اشیاء چند بعدی هستند و آزمایش کنندگان اغلب فقط یک واحد را استخراج می کنند پاسخ از افراد.در این مقاله ، ما در مورد چگونگی مشوق های ارائه شده توسط آزمایش کنندگان توزیع اعتقاد واقعی افراد را به آنچه حداکثر سود افراد در کار انتخاب پاسخ می دهند.به طور خاص ، ما نشان می دهیم که چقدر کمی مشوق های مختلف ممکن است افراد را وادار کند تا میانگین ، حالت یا میانگین را گزارش دهند توزیع اعتقاد آنهااگر اعتقادات متقارن و غیرمجاز نیستند ، پس ممکن است با استفاده از یک طرح انتخابی که با سوال تحقیق ناسازگار است بر مقدار و علامت اثرات مشخص شده تأثیر می گذارد ، یا حتی ممکن است ایجاد کند شناسایی غیرممکن است.به عنوان نمونه ، ما دوباره مرور می کنیم Cantoni و همکاران (2019) بررسی اینکه آیا اعتراضات سیاسی مکمل های استراتژیک یا جایگزین است. ما نشان می دهیم که آنها اعتقادات معین را استخراج می کنند ، در حالی که ممکن است اعتقادات معین و متوسط ​​باشد پس از آزمایش آنها در جهت های مخالف به روز شد.از این رو ، نشانه اثرات آنها ممکن است تغییر کند ، و این امکان تعبیر جایگزین از آنها را فراهم می کند نتایج.

The fixed-event forecasting setup is common in economic policy. It involves a sequence of forecasts of the same (`fixed') predictand, so that the difficulty of the forecasting problem decreases over time. Fixed-event point forecasts are typically published without a quantitative measure of uncertainty. To construct such a measure, we consider forecast postprocessing techniques tailored to the fixed-event case. We develop regression methods that impose constraints motivated by the problem at hand, and use these methods to construct prediction intervals for gross domestic product (GDP) growth in Germany and the US.

تنظیم پیش بینی رویداد ثابت در سیاست های اقتصادی متداول است.این شامل یک توالی پیش بینی های همان ("ثابت") پیش بینی می شود ، به طوری که مشکل از مشکل پیش بینی با گذشت زمان کاهش می یابد.پیش بینی نقطه رویداد ثابت است به طور معمول بدون اندازه گیری کمی از عدم اطمینان منتشر می شود.برای ساخت چنین اقدامی ، ما تکنیک های پیش بینی پردازش متناسب با آن را در نظر می گیریم پرونده رویداد ثابتما روشهای رگرسیون را ایجاد می کنیم که محدودیت ها را تحمیل می کند با انگیزه در مورد مشکل در دست ، و از این روش ها برای ساخت پیش بینی استفاده کنید فواصل برای رشد ناخالص داخلی (تولید ناخالص داخلی) در آلمان و ایالات متحده.

In this work we introduce a unit averaging procedure to efficiently recover unit-specific parameters in a heterogeneous panel model. The procedure consists in estimating the parameter of a given unit using a weighted average of all the unit-specific parameter estimators in the panel. The weights of the average are determined by minimizing an MSE criterion. We analyze the properties of the minimum MSE unit averaging estimator in a local heterogeneity framework inspired by the literature on frequentist model averaging. The analysis of the estimator covers both the cases in which the cross-sectional dimension of the panel is fixed and large. In both cases, we obtain the local asymptotic distribution of the minimum MSE unit averaging estimators and of the associated weights. A GDP nowcasting application for a panel of European countries showcases the benefits of the procedure.

در این کار ما یک روش میانگین میانگین واحد را برای بازیابی مؤثر معرفی می کنیم پارامترهای خاص واحد در یک مدل پانل ناهمگن.این روش تشکیل شده است در تخمین پارامتر یک واحد معین با استفاده از میانگین وزنی از همه برآوردگرهای پارامتر خاص واحد در پانل.وزن متوسط ​​است با به حداقل رساندن معیار MSE تعیین می شود.ما خواص آن را تجزیه و تحلیل می کنیم حداقل برآوردگر میانگین واحد MSE در یک چارچوب ناهمگونی محلی با الهام از ادبیات در مورد میانگین مدل مکرر.تجزیه و تحلیل برآوردگر هر دو مورد را پوشش می دهد که در آن بعد مقطعی از پانل ثابت و بزرگ است.در هر دو مورد ، ما بدون علامت محلی را بدست می آوریم توزیع حداقل برآوردگرهای میانگین واحد MSE و مرتبط وزنیک برنامه تولید ناخالص داخلی برای یک هیئت از کشورهای اروپایی مزایای این روش را به نمایش می گذارد.

We exploit the heterogeneous impact of the Roe v. Wade ruling by the US Supreme Court, which ruled most abortion restrictions unconstitutional. Our identifying assumption is that states which had not liberalized their abortion laws prior to Roe would experience a negative birth shock of greater proportion than states which had undergone pre-Roe reforms. We estimate the difference-in-difference in births and use estimated births as an exogenous treatment variable to predict patents per capita. Our results show that one standard deviation increase in cohort starting population increases per capita patents by 0.24 standard deviation. These results suggest that at the margins, increasing fertility can increase patent production. Insofar as patent production is a sufficient proxy for technological growth, increasing births has a positive impact on technological growth. This paper and its results do not pertain to the issue of abortion itself.

ما از تأثیر ناهمگن Roe v. Wade که توسط ایالات متحده حاکم است سوءاستفاده می کنیم دیوان عالی کشور ، که بیشترین محدودیت های سقط جنین را غیرقانونی حكم داد.ما شناسایی فرض این است که کشورهایی که سقط جنین خود را آزاد نکرده اند قوانین قبل از ROE شوک منفی تولد نسبت بیشتری را تجربه می کند نسبت به کشورهایی که اصلاحات قبل از ROE را پشت سر گذاشته بودند.ما تخمین می زنیم تفاوت در تفاوت در زایمان و استفاده از تولد تخمین زده شده به عنوان یک اگزوژن متغیر درمانی برای پیش بینی حق ثبت اختراع سرانه.نتایج ما نشان می دهد که یکی افزایش انحراف استاندارد در شروع جمعیت گروهی سرانه افزایش می یابد ثبت اختراعات با 0.24 انحراف استاندارد.این نتایج حاکی از آن است که در حاشیه ها ، افزایش باروری می تواند تولید ثبت اختراع را افزایش دهد.تا آنجا که ثبت اختراع است تولید یک پروکسی کافی برای رشد تکنولوژیکی ، افزایش زایمان است تأثیر مثبتی بر رشد تکنولوژیکی دارد.این مقاله و نتایج آن انجام می شود مربوط به مسئله سقط جنین نیست.

We propose a new estimator for heterogeneous treatment effects in a partially linear model (PLM) with many exogenous covariates and a possibly endogenous treatment variable. The PLM has a parametric part that includes the treatment and the interactions between the treatment and exogenous characteristics, and a nonparametric part that contains those characteristics and many other covariates. The new estimator is a combination of a Robinson transformation to partial out the nonparametric part of the model, the Smooth Minimum Distance (SMD) approach to exploit all the information of the conditional mean independence restriction, and a Neyman-Orthogonalized first-order condition (FOC). With the SMD method, our estimator using only one valid binary instrument identifies both parameters. With the sparsity assumption, using regularized machine learning methods (i.e., the Lasso method) allows us to choose a relatively small number of polynomials of covariates. The Neyman-Orthogonalized FOC reduces the effect of the bias associated with the regularization method on estimates of the parameters of interest. Our new estimator allows for many covariates and is less biased, consistent, and $\sqrt{n}$-asymptotically normal under standard regularity conditions. Our simulations show that our estimator behaves well with different sets of instruments, but the GMM type estimators do not. We estimate the heterogeneous treatment effects of Medicaid on individual outcome variables from the Oregon Health Insurance Experiment. We find using our new method with only one valid instrument produces more significant and more reliable results for heterogeneous treatment effects of health insurance programs on economic outcomes than using GMM type estimators.

ما یک برآوردگر جدید برای اثرات درمانی ناهمگن در یک تا حدی پیشنهاد می کنیم مدل خطی (PLM) با بسیاری از متغیرهای اگزوژن و احتمالاً درون زا متغیر درمانی.PLM یک قسمت پارامتری دارد که شامل درمان است و تعامل بین درمان و خصوصیات برون زا و الف قسمت غیرپارامتری که شامل آن خصوصیات و بسیاری موارد دیگر است متغیرهای متغیربرآوردگر جدید ترکیبی از تبدیل رابینسون به قسمت غیر پارامتری مدل ، حداقل فاصله صاف (SMD) رویکرد برای بهره برداری از تمام اطلاعات میانگین مشروط محدودیت استقلال ، و یک شرایط مرتبه اول Neyman-orthogonalalized (FOC).با روش SMD ، برآوردگر ما فقط با یک باینری معتبر با استفاده از یک باینری معتبر ابزار هر دو پارامتر را مشخص می کند.با فرض کمبود ، استفاده روشهای منظم یادگیری ماشین (به عنوان مثال ، روش Lasso) به ما امکان می دهد تعداد نسبتاً کمی از چند جملهای متغیرهای متغیر را انتخاب کنید.در FOC Neyman-orthogonalized اثر تعصب مرتبط با روش تنظیم در مورد برآورد پارامترهای مورد علاقه.جدید ما برآوردگر بسیاری از متغیرهای متغیر را امکان پذیر می کند و کمتر مغرضانه ، سازگار است و $ \ sqrt {n} $-به صورت مجانبی در شرایط منظم استاندارد.ما شبیه سازی ها نشان می دهد که برآوردگر ما با مجموعه های مختلف رفتار خوبی دارد سازها ، اما برآوردگرهای نوع GMM چنین نمی کنند.ما ناهمگن را تخمین می زنیم اثرات درمانی Medicaid بر متغیرهای نتیجه فردی از اورگان آزمایش بیمه درمانی.ما با استفاده از روش جدید خود با تنها یک معتبر پیدا می کنیم ابزار نتایج قابل توجه تر و قابل اطمینان تر برای اثرات درمانی ناهمگن برنامه های بیمه درمانی بر روی اقتصادی نتایج نسبت به استفاده از برآوردگرهای نوع GMM.

Acquiring information is expensive. Experimenters need to carefully choose how many units of each treatment to sample and when to stop sampling. The aim of this paper is to develop techniques for incorporating the cost of information into experimental design. In particular, we study sequential experiments where sampling is costly and a decision-maker aims to determine the best treatment for full scale implementation by (1) adaptively allocating units to two possible treatments, and (2) stopping the experiment when the expected welfare (inclusive of sampling costs) from implementing the chosen treatment is maximized. Working under the diffusion limit, we describe the optimal policies under the minimax regret criterion. Under small cost asymptotics, the same policies are also optimal under parametric and non-parametric distributions of outcomes. The minimax optimal sampling rule is just the Neyman allocation; it is independent of sampling costs and does not adapt to previous outcomes. The decision-maker stops sampling when the average difference between the treatment outcomes, multiplied by the number of observations collected until that point, exceeds a specific threshold. We also suggest methods for inference on the treatment effects using stopping times and discuss their optimality.

دستیابی به اطلاعات گران است.آزمایش کنندگان باید با دقت انتخاب کنند چه تعداد واحد از هر روش درمانی برای نمونه برداری و چه زمانی باید نمونه برداری را متوقف کنید.هدف از این مقاله تهیه تکنیک هایی برای درج هزینه است اطلاعات به طراحی آزمایشی.به طور خاص ، ما متوالی را مطالعه می کنیم آزمایشاتی که نمونه برداری پرهزینه است و یک تصمیم گیرنده قصد دارد تعیین کند بهترین درمان برای اجرای در مقیاس کامل توسط (1) واحدهای تخصیص سازگار به دو درمان ممکن ، و (2) متوقف کردن آزمایش در زمان انتظار رفاه (شامل هزینه های نمونه برداری) از اجرای درمان انتخاب شده است حداکثربا کار در محدوده انتشار ، ما سیاست های بهینه را شرح می دهیم تحت معیار پشیمانی Minimax.تحت نمایش بدون علامت با هزینه کوچک ، همان سیاست ها نیز تحت توزیع پارامتری و غیر پارامتری از عواقب.قانون نمونه گیری بهینه Minimax فقط تخصیص Neyman است.آی تی مستقل از هزینه های نمونه برداری است و با نتایج قبلی سازگار نیست.در تصمیم گیرنده وقتی میانگین تفاوت بین درمان است ، نمونه گیری را متوقف می کند نتایج ، ضرب شده توسط تعداد مشاهدات جمع آوری شده تا آن نقطه ، بیش از یک آستانه خاص است.ما همچنین روش هایی برای استنباط در اثرات درمانی با استفاده از زمان توقف و بحث در مورد بهینه آنها.

The conventional cluster-robust (CR) standard errors may not be robust. They are vulnerable to data that contain a small number of large clusters. When a researcher uses the 51 states in the U.S. as clusters, the largest cluster (California) consists of about 10% of the total sample. Such a case in fact violates the assumptions under which the widely used CR methods are guaranteed to work. We formally show that the conventional CR methods fail if the distribution of cluster sizes follows a power law with exponent less than two. Besides the example of 51 state clusters, some examples are drawn from a list of recent original research articles published in a top journal. In light of these negative results about the existing CR methods, we propose a weighted CR (WCR) method as a simple fix. Simulation studies support our arguments that the WCR method is robust while the conventional CR methods are not.

خطاهای استاندارد خوشه ای-روبست (CR) ممکن است قوی نباشد.آنها در برابر داده هایی که حاوی تعداد کمی از خوشه های بزرگ هستند آسیب پذیر هستند.وقتی یک محقق از 51 ایالت در ایالات متحده به عنوان خوشه استفاده می کند ، بزرگترین خوشه (کالیفرنیا) شامل حدود 10 ٪ از کل نمونه است.در واقع چنین موردی فرضیاتی را که تحت آن روشهای گسترده CR تضمین شده است نقض می کند برای کار.ما به طور رسمی نشان می دهیم که روشهای CR معمولی در صورت عدم موفقیت توزیع اندازه خوشه ای از قانون قدرت با نماینده کمتر از دو پیروی می کند. علاوه بر نمونه 51 خوشه دولتی ، برخی از نمونه ها از یک لیست تهیه شده است از مقالات تحقیقاتی اصلی اخیر که در یک ژورنال برتر منتشر شده است.در پرتو این نتایج منفی در مورد روشهای CR موجود ، ما یک وزنه بردار را پیشنهاد می کنیم (WCR) روش به عنوان یک رفع ساده.مطالعات شبیه سازی استدلال های ما را پشتیبانی می کند روش WCR قوی است در حالی که روش های CR معمولی نیستند.

This paper describes how to reparameterize low-dimensional factor models to fit the weak identification theory developed for generalized method of moments (GMM) models. Identification conditions in low-dimensional factor models can be close to failing in a similar way to identification conditions in instrumental variables or GMM models. Weak identification estimation theory requires a reparameterization to separate the weakly identified parameters from the strongly identified parameters. Furthermore, identification-robust hypothesis tests benefit from a reparameterization that makes the nuisance parameters strongly identified. We describe such a reparameterization in low-dimensional factor models with one or two factors. Simulations show that identification-robust hypothesis tests that require the reparameterization are less conservative than identification-robust hypothesis tests that use the original parameterization. The simulations also show that estimates of the number of factors frequently include weakly identified factors. An empirical application to a factor model of parental investments in children is included.

در این مقاله نحوه تنظیم مجدد مدل های فاکتور کم بعدی به متناسب با نظریه شناسایی ضعیف که برای روش کلی لحظات ایجاد شده است مدلهای (GMM).شرایط شناسایی در مدل های فاکتور کم بعدی می تواند باشد نزدیک به عدم موفقیت به روشی مشابه با شرایط شناسایی در ابزاری متغیرها یا مدل های GMM.نظریه تخمین شناسایی ضعیف نیاز به reparameterization برای جدا کردن پارامترهای ضعیف مشخص از پارامترهای به شدت شناسایی شده.علاوه بر این ، فرضیه شناسایی-ربید آزمایشات از یک بازپرداخت که باعث ایجاد پارامترهای مزاحمت می شود ، سود می برد به شدت شناسایی شده است.ما چنین بازپرداخت را در ابعاد کم توصیف می کنیم مدل های فاکتور با یک یا دو عامل.شبیه سازی ها این را نشان می دهد آزمون های فرضیه شناسایی-ربوی که نیاز به reparameterization دارند کمتر محافظه کارانه از آزمون های فرضیه شناسایی-روبست که از آن استفاده می کنند پارامتر سازی اصلی.شبیه سازی ها همچنین نشان می دهد که تخمین های تعداد عوامل غالباً شامل عوامل ضعیف شناسایی شده است.تجربی استفاده از الگوی عاملی از سرمایه گذاری های والدین در کودکان گنجانده شده است.

Macroeconomic forecasting has recently started embracing techniques that can deal with large-scale datasets and series with unequal release periods. MIxed-DAta Sampling (MIDAS) and Dynamic Factor Models (DFM) are the two main state-of-the-art approaches that allow modeling series with non-homogeneous frequencies. We introduce a new framework called the Multi-Frequency Echo State Network (MFESN) based on a relatively novel machine learning paradigm called reservoir computing. Echo State Networks (ESN) are recurrent neural networks formulated as nonlinear state-space systems with random state coefficients where only the observation map is subject to estimation. MFESNs are considerably more efficient than DFMs and allow for incorporating many series, as opposed to MIDAS models, which are prone to the curse of dimensionality. All methods are compared in extensive multistep forecasting exercises targeting US GDP growth. We find that our MFESN models achieve superior or comparable performance over MIDAS and DFMs at a much lower computational cost.

پیش بینی اقتصاد کلان اخیراً پذیرای تکنیک هایی است که می تواند با مجموعه داده ها و سریال های در مقیاس بزرگ با دوره های انتشار نابرابر برخورد کنید. نمونه گیری داده های مختلط (MIDAS) و مدل های فاکتور پویا (DFM) دو اصلی هستند رویکردهای پیشرفته ای که به سریال های مدل سازی با غیر همگن اجازه می دهد فرکانس هاما یک چارچوب جدید به نام حالت چند فرکانس اکو را معرفی می کنیم شبکه (MFESN) بر اساس یک الگوی یادگیری ماشین نسبتاً جدید به نام محاسبات مخزن.شبکه های حالت اکو (ESN) شبکه های عصبی مکرر هستند به عنوان سیستم های حالت غیرخطی با ضرایب حالت تصادفی فرموله شده است جایی که فقط نقشه مشاهده مشمول تخمین است.mfesns هستند به طور قابل توجهی کارآمدتر از DFMS است و اجازه می دهد بسیاری از سریال ها را ترکیب کنند ، بر خلاف مدل های MIDAS ، که مستعد نفرین ابعاد هستند.همه روشها در تمرینات پیش بینی چند مرحله ای وسیع که ما را هدف قرار می دهند مقایسه می شوند رشد تولید ناخالص ملی.ما می دانیم که مدل های MFESN ما به برتر یا قابل مقایسه می رسند عملکرد در MIDAS و DFMS با هزینه محاسباتی بسیار پایین تر.

We suggest a new single-equation test for Uncovered Interest Parity (UIP) based on a dynamic regression approach. The method provides consistent and asymptotically efficient parameter estimates, and is not dependent on assumptions of strict exogeneity. This new approach is asymptotically more efficient than the common approach of using OLS with HAC robust standard errors in the static forward premium regression. The coefficient estimates when spot return changes are regressed on the forward premium are all positive and remarkably stable across currencies. These estimates are considerably larger than those of previous studies, which frequently find negative coefficients. The method also has the advantage of showing dynamic effects of risk premia, or other events that may lead to rejection of UIP or the efficient markets hypothesis.

ما یک آزمون تک عادلانه جدید را برای برابری علاقه کشف نشده (UIP) پیشنهاد می کنیم بر اساس یک رویکرد رگرسیون پویا.این روش سازگار و برآورد پارامتر بدون علامت کارآمد ، و به آن وابسته نیست فرضیات اگزوژن بودن سخت.این رویکرد جدید بدون علامت بیشتر است کارآمد از رویکرد مشترک استفاده از OLS با خطاهای استاندارد HAC در رگرسیون حق بیمه استاتیک رو به جلو.ضریب در هنگام نقطه تخمین می زند تغییرات برگشتی در حق بیمه رو به جلو رگرسیون می شوند و همه مثبت هستند و به طرز چشمگیری در بین ارزها پایدار است.این تخمین ها به طور قابل توجهی بزرگتر هستند از مطالعات قبلی ، که غالباً ضرایب منفی پیدا می کنند. این روش همچنین از این مزیت برخوردار است که اثرات پویا حق ریسک را نشان می دهد ، یا رویدادهای دیگری که ممکن است منجر به رد UIP یا بازارهای کارآمد شود فرضیه.

This paper proposes a novel method to estimate individualised treatment assignment rules. The method is designed to find rules that are stochastic, reflecting uncertainty in estimation of an assignment rule and about its welfare performance. Our approach is to form a prior distribution over assignment rules, not over data generating processes, and to update this prior based upon an empirical welfare criterion, not likelihood. The social planner then assigns treatment by drawing a policy from the resulting posterior. We show analytically a welfare-optimal way of updating the prior using empirical welfare; this posterior is not feasible to compute, so we propose a variational Bayes approximation for the optimal posterior. We characterise the welfare regret convergence of the assignment rule based upon this variational Bayes approximation, showing that it converges to zero at a rate of ln(n)/sqrt(n). We apply our methods to experimental data from the Job Training Partnership Act Study to illustrate the implementation of our methods.

در این مقاله یک روش جدید برای برآورد درمان فردی ارائه شده است قوانین واگذاریاین روش برای یافتن قوانینی که تصادفی هستند ، طراحی شده است ، منعکس کننده عدم اطمینان در تخمین یک قانون واگذاری و در مورد آن عملکرد رفاه.رویکرد ما تشکیل توزیع قبلی است قوانین واگذاری ، نه بیش از فرآیندهای تولید داده ها ، و به روزرسانی این موارد قبلی براساس معیار رفاهی تجربی ، احتمال وجود ندارد.برنامه ریز اجتماعی سپس با ترسیم خط مشی از خلفی حاصل ، درمان را تعیین می کند.ما به صورت تحلیلی یک روش بهینه بهزیستی برای به روزرسانی قبلی با استفاده از تجربی نشان دهید رفاه؛این خلفی برای محاسبه امکان پذیر نیست ، بنابراین ما یک تغییر ارائه می دهیم تقریب Bayes برای خلفی بهینه.ما رفاه را توصیف می کنیم پشیمانی همگرایی قانون واگذاری بر اساس این بیزین متنوع تقریب ، نشان می دهد که آن را با سرعت Ln (n)/sqrt (n) به صفر می رساند.ما روشهای ما را برای داده های تجربی از قانون مشارکت آموزش شغلی اعمال کنید برای نشان دادن اجرای روشهای ما مطالعه کنید.

A common task in empirical economics is to estimate \emph{interaction effects} that measure how the effect of one variable $X$ on another variable $Y$ depends on a third variable $H$. This paper considers the estimation of interaction effects in linear panel models with a fixed number of time periods. There are at least two ways to estimate interaction effects in this setting, both common in applied work. Our theoretical results show that these two approaches are distinct, and only coincide under strong conditions on unobserved effect heterogeneity. Our empirical results show that the difference between the two approaches is large, leading to conflicting conclusions about the sign of the interaction effect. Taken together, our findings may guide the choice between the two approaches in empirical work.

یک کار مشترک در اقتصاد تجربی تخمین \ emph {تعامل است اثرات} که چگونه تأثیر یک متغیر $ x $ بر متغیر دیگر را اندازه گیری می کند $ y $ به متغیر سوم $ H $ بستگی دارد.این مقاله تخمین را در نظر می گیرد اثرات متقابل در مدلهای پانل خطی با تعداد مشخصی از دوره های زمانی. حداقل دو روش برای برآورد اثرات تعامل در این تنظیم وجود دارد ، هر دو در کار کاربردی مشترک هستند.نتایج نظری ما نشان می دهد که این دو رویکردها متمایز هستند و فقط در شرایط قوی همزمان می شوند ناهمگونی اثر محافظت نشده.نتایج تجربی ما نشان می دهد که تفاوت بین این دو رویکرد بزرگ است و منجر به نتیجه گیری متناقض در مورد نشانه اثر تعامل.با هم ، یافته های ما ممکن است راهنمایی کند انتخاب بین دو رویکرد در کار تجربی.

We provide an alternative derivation of the asymptotic results for the Principal Components estimator of a large approximate factor model. Results are derived under a minimal set of assumptions and, in particular, we require only the existence of 4th order moments. A special focus is given to the time series setting, a case considered in almost all recent econometric applications of factor models. Hence, estimation is based on the classical $n\times n$ sample covariance matrix and not on a $T\times T$ covariance matrix often considered in the literature. Indeed, despite the two approaches being asymptotically equivalent, the former is more coherent with a time series setting and it immediately allows us to write more intuitive asymptotic expansions for the Principal Component estimators showing that they are equivalent to OLS as long as $\sqrt n/T\to 0$ and $\sqrt T/n\to 0$, that is the loadings are estimated in a time series regression as if the factors were known, while the factors are estimated in a cross-sectional regression as if the loadings were known. Finally, we give some alternative sets of primitive sufficient conditions for mean-squared consistency of the sample covariance matrix of the factors, of the idiosyncratic components, and of the observed time series, which is the starting point for Principal Component Analysis.

ما یک مشتق جایگزین از نتایج بدون علامت برای برآوردگر اجزای اصلی یک مدل فاکتور تقریبی بزرگ.نتایج هستند مشتق شده تحت یک مجموعه حداقل فرضیات و به ویژه ، ما فقط به آن نیاز داریم وجود لحظات مرتبه 4.تمرکز ویژه ای به سری زمانی داده می شود تنظیم ، موردی که تقریباً در تمام برنامه های اقتصاد سنجی اخیر در نظر گرفته شده است مدل های فاکتور.از این رو ، تخمین براساس نمونه کلاسیک $ n \ times n $ است ماتریس کواریانس و نه در ماتریس کواریانس $ t $ t $ که اغلب در نظر گرفته می شود در ادبیاتدر واقع ، با وجود دو رویکرد بدون علامت معادل آن ، اولی با تنظیمات سریال و آن منسجم تر است بلافاصله به ما اجازه می دهد تا گسترش های بدون علامت شهودی تر را برای برآوردگرهای مؤلفه اصلی نشان می دهد که آنها معادل OLS هستند به عنوان $ \ sqrt n/t \ تا 0 $ و $ \ sqrt t/n \ تا 0 $ ، این بارهای تخمین زده می شود یک رگرسیون سری زمانی که گویی عوامل شناخته شده است ، در حالی که عوامل هستند در یک رگرسیون مقطعی تخمین زده می شود که گویی بارهای شناخته شده است. سرانجام ، ما برخی از مجموعه های جایگزین از شرایط کافی بدوی را برای ما ارائه می دهیم میانگین قوام مربع ماتریس کواریانس نمونه از عوامل ، مؤلفه های Idiosyncratic و سری زمانی مشاهده شده ، که این است نقطه شروع برای تجزیه و تحلیل مؤلفه اصلی.

Assessing the statistical significance of parameter estimates is an important step in high-dimensional vector autoregression modeling. Using the least-squares boosting method, we compute the p-value for each selected parameter at every boosting step in a linear model. The p-values are asymptotically valid and also adapt to the iterative nature of the boosting procedure. Our simulation experiment shows that the p-values can keep false positive rate under control in high-dimensional vector autoregressions. In an application with more than 100 macroeconomic time series, we further show that the p-values can not only select a sparser model with good prediction performance but also help control model stability. A companion R package boostvar is developed.

ارزیابی اهمیت آماری برآورد پارامتر مهم است مرحله در مدل سازی خودکار وکتور با ابعاد بالا.با استفاده از روش تقویت حداقل مربعات ، ما مقدار p را برای هر انتخاب شده محاسبه می کنیم پارامتر در هر مرحله تقویت در یک مدل خطی.مقادیر p هستند به صورت مجانبی معتبر است و همچنین با ماهیت تکراری تقویت کننده سازگار است روش.آزمایش شبیه سازی ما نشان می دهد که مقادیر p می توانند نادرست را حفظ کنند نرخ مثبت تحت کنترل در اتورگهای بردار با ابعاد بالا.در یک برنامه با بیش از 100 سری زمانی کلان اقتصادی ، ما این را نشان می دهیم مقادیر P نه تنها می توانند یک مدل پراکنده را با پیش بینی خوب انتخاب کنند عملکرد اما همچنین به کنترل ثبات مدل کمک می کند.یک بسته همراه R Boostvar توسعه یافته است.

We propose and implement an approach to inference in linear instrumental variables models which is simultaneously robust and computationally tractable. Inference is based on self-normalization of sample moment conditions, and allows for (but does not require) many (relative to the sample size), weak, potentially invalid or potentially endogenous instruments, as well as for many regressors and conditional heteroskedasticity. Our coverage results are uniform and can deliver a small sample guarantee. We develop a new computational approach based on semidefinite programming, which we show can equally be applied to rapidly invert existing tests (e.g,. AR, LM, CLR, etc.).

ما رویکردی برای استنباط در ابزارهای خطی پیشنهاد و پیاده سازی می کنیم متغیرهای مدل هایی که همزمان قوی و محاسباتی قابل ردیابی هستند. استنباط مبتنی بر خود طبیعی سازی شرایط لحظه نمونه است ، و اجازه می دهد (اما نیازی به آن نیست) بسیاری (نسبت به اندازه نمونه) ، ضعیف ، ابزارهای بالقوه نامعتبر یا بالقوه درون زا و همچنین برای بسیاری رگرسیون و ناهمگونی شرطی.نتایج پوشش ما یکنواخت است و می تواند یک ضمانت نمونه کوچک را ارائه دهد.ما یک محاسبات جدید ایجاد می کنیم رویکرد مبتنی بر برنامه نویسی SemideFinite ، که ما نشان می دهیم به همان اندازه می تواند باشد برای آزمایش های موجود به سرعت معکوس (به عنوان مثال ، AR ، LM ، CLR و غیره) اعمال می شود.

Educational attainment generates labor market returns, societal gains and has intrinsic value for individuals. We study Inequality of Opportunity (IOp) and intergenerational mobility in the distribution of educational attainment. We propose to use debiased IOp estimators based on the Gini coefficient and the Mean Logarithmic Deviation (MLD) which are robust to machine learning biases. We also measure the effect of each circumstance on IOp, we provide tests to compare IOp in two populations and to test joint significance of a group of circumstances. We find that circumstances explain between 38\% and 74\% of total educational inequality in European countries. Mother's education is the most important circumstance in most countries. There is high intergenerational persistence and there is evidence of an educational Great Gatsby curve. We also construct IOp aware educational Great Gatsby curves and find that high income IOp countries are also high educational IOp and less mobile countries.

دستیابی به تحصیلات باعث بازده بازار کار ، سودهای اجتماعی می شود و دارای ارزش ذاتی برای افراد.ما نابرابری فرصت (IOP) و تحرک بین نسلی در توزیع دستیابی به تحصیلات.ما پیشنهاد برای استفاده از برآوردگرهای IOP debiased بر اساس ضریب جینی و میانگین انحراف لگاریتمی (MLD) که نسبت به تعصبات یادگیری ماشین قوی هستند. ما همچنین تأثیر هر شرایط را در IOP اندازه گیری می کنیم ، تست هایی را ارائه می دهیم IOP را در دو جمعیت مقایسه کنید و برای آزمایش اهمیت مشترک گروهی از موقعیت.ما می دانیم که شرایط بین 38 \ ٪ و 74 \ ٪ توضیح می دهد کل نابرابری تحصیلی در کشورهای اروپایی.آموزش مادر است مهمترین شرایط در اکثر کشورها.بین نسلی بالایی وجود دارد پایداری و شواهدی از منحنی بزرگ گتسبی آموزشی وجود دارد.ما همچنین منحنی های بزرگ گتسبی آموزشی IOP را بسازید و آن درآمد بالا را پیدا کنید کشورهای IOP همچنین IOP آموزشی بالا و کشورهای کمتر تلفن همراه هستند.

This paper develops valid bootstrap inference methods for the dynamic panel threshold regression. For the first-differenced generalized method of moments (GMM) estimation for the dynamic short panel, we show that the standard nonparametric bootstrap is inconsistent. The inconsistency is due to an $n^{1/4}$-consistent non-normal asymptotic distribution for the threshold estimate when the parameter resides within the continuity region of the parameter space, which stems from the rank deficiency of the approximate Jacobian of the sample moment conditions on the continuity region. We propose a grid bootstrap to construct confidence sets for the threshold, a residual bootstrap to construct confidence intervals for the coefficients, and a bootstrap for testing continuity. They are shown to be valid under uncertain continuity. A set of Monte Carlo experiments demonstrate that the proposed bootstraps perform well in the finite samples and improve upon the asymptotic normal approximation even under a large jump at the threshold. An empirical application to firms' investment model illustrates our methods.

در این مقاله روشهای استنتاج Bootstrap معتبر برای پانل پویا تهیه شده است رگرسیون آستانه.برای روش تعمیم یافته اول از لحظات (GMM) تخمین برای پانل کوتاه پویا ، ما نشان می دهیم که استاندارد بوت استرپ غیر پارامتری متناقض است.ناسازگاری ناشی از یک است $ n^{1/4} $-توزیع بدون علامت غیر عادی برای آستانه تخمین بزنید که پارامتر در منطقه پیوستگی ساکن باشد فضای پارامتر ، که ناشی از کمبود رتبه تقریبی است Jacobian از نمونه لحظه ای در منطقه تداوم.ما پیشنهاد می کنیم bootstrap شبکه برای ساختن مجموعه های اعتماد به نفس برای آستانه ، یک باقیمانده بوت استرپ برای ایجاد فواصل اطمینان برای ضرایب ، و الف بوت استرپ برای آزمایش تداوم.نشان داده شده است که آنها تحت نامشخص معتبر هستند تداوممجموعه ای از آزمایش های مونت کارلو نشان می دهد که پیشنهادی بوت استرپ ها در نمونه های محدود عملکرد خوبی دارند و بر روی بدون علامت بهبود می یابند تقریب طبیعی حتی در زیر یک پرش بزرگ در آستانه.تجربی کاربرد مدل سرمایه گذاری بنگاهها روشهای ما را نشان می دهد.

It is commonly believed that financial crises "lead to" lower growth of a country during the two-year recession period, which can be reflected by their post-crisis GDP growth. However, by contrasting a causal model with a standard prediction model, this paper argues that such a belief is non-causal. To make causal inferences, we design a two-stage staggered difference-in-differences model to estimate the average treatment effects. Interpreting the residuals as the contribution of each crisis to the treatment effects, we astonishingly conclude that cross-sectional crises are often limited to providing relevant causal information to policymakers.

معمولاً اعتقاد بر این است که بحران های مالی "منجر به" رشد پایین تر "می شوند کشور در دوره رکود اقتصادی دو ساله ، که می تواند توسط آنها منعکس شود رشد تولید ناخالص داخلی پس از بحران.با این حال ، با تقابل یک مدل علی با یک استاندارد مدل پیش بینی ، این مقاله استدلال می کند که چنین اعتقادی غیر مقطعی است.ساختن استنتاج های علی ، ما یک تفاوت دو مرحله ای در اختلافات را طراحی می کنیم مدل برای تخمین میانگین اثرات درمانی.تفسیر باقیمانده ها سهم هر بحران در اثرات درمانی ، ما به طرز حیرت انگیزی نتیجه گیری کنید که بحران های مقطعی اغلب به ارائه مربوطه محدود می شوند اطلاعات علت به سیاست گذاران.

This paper develops a new toolbox for multiple structural break detection in panel data models with interactive effects. The toolbox includes tests for the presence of structural breaks, a break date estimator, and a break date confidence interval. The new toolbox is applied to a large panel of US banks for a period characterized by massive quantitative easing programs aimed at lessening the impact of the global financial crisis and the COVID--19 pandemic. The question we ask is: Have these programs been successful in spurring bank lending in the US economy? The short answer turns out to be: ``No''.

در این مقاله یک جعبه ابزار جدید برای تشخیص چندین شکستگی ساختاری در ایجاد شده است مدل های داده پانل با اثرات تعاملی.جعبه ابزار شامل تست هایی برای وجود وقفه های ساختاری ، برآوردگر تاریخ استراحت و تاریخ استراحت فاصله اطمینان.جعبه ابزار جدید برای یک صفحه بزرگ از بانک های آمریکایی اعمال می شود برای دوره ای که با برنامه های تسکین کمی گسترده با هدف مشخص می شود کاهش تأثیر بحران مالی جهانی و همه گیر Covid-19. سوالی که می پرسیم این است: آیا این برنامه ها در SPURING BANK موفق بوده اند وام در اقتصاد ایالات متحده؟پاسخ کوتاه به نظر می رسد: "نه".

The difference-in-differences (DID) method identifies the average treatment effects on the treated (ATT) under mainly the so-called parallel trends (PT) assumption. The most common and widely used approach to justify the PT assumption is the pre-treatment period examination. If a null hypothesis of the same trend in the outcome means for both treatment and control groups in the pre-treatment periods is rejected, researchers believe less in PT and the DID results. This paper develops a robust generalized DID method that utilizes all the information available not only from the pre-treatment periods but also from multiple data sources. Our approach interprets PT in a different way using a notion of selection bias, which enables us to generalize the standard DID estimand by defining an information set that may contain multiple pre-treatment periods or other baseline covariates. Our main assumption states that the selection bias in the post-treatment period lies within the convex hull of all selection biases in the pre-treatment periods. We provide a sufficient condition for this assumption to hold. Based on the baseline information set we construct, we provide an identified set for the ATT that always contains the true ATT under our identifying assumption, and also the standard DID estimand. We extend our proposed approach to multiple treatment periods DID settings. We propose a flexible and easy way to implement the method. Finally, we illustrate our methodology through some numerical and empirical examples.

روش تفاوت در دیفرانسیل (DID) میانگین درمان را مشخص می کند اثرات روی درمان شده (ATT) تحت عمدتا به اصطلاح روندهای موازی (PT) فرض.متداول ترین و گسترده ترین رویکرد برای توجیه PT فرض معاینه دوره قبل از درمان است.اگر فرضیه تهی از همان روند در نتیجه برای هر دو گروه درمانی و کنترل در دوره های قبل از درمان رد می شود ، محققان در PT و DID کمتر معتقدند نتایج.این مقاله یک روش DID عمومی قوی را تهیه می کند که از همه استفاده می کند اطلاعات موجود نه تنها از دوره های قبل از درمان بلکه از چندین منبع داده.رویکرد ما با استفاده از a pt را به روشی متفاوت تفسیر می کند مفهوم تعصب انتخاب ، که ما را قادر می سازد تا استاندارد را تعمیم دهیم برآورد با تعریف یک مجموعه اطلاعاتی که ممکن است حاوی چندین پیش درمانی باشد دوره ها یا سایر متغیرهای پایه.فرض اصلی ما بیان می کند که تعصب انتخاب در دوره پس از درمان در بدنه محدب همه قرار دارد تعصبات انتخاب در دوره های قبل از درمان.ما کافی ارائه می دهیم شرط نگه داشتن این فرض.بر اساس اطلاعات پایه ما ساخت ، ما یک مجموعه شناسایی شده برای ATT ارائه می دهیم که همیشه حاوی ATT واقعی تحت فرض شناسایی ما ، و همچنین استاندارد برآورد شده است. ما رویکرد پیشنهادی خود را به چندین دوره درمانی انجام می دهیم.ما یک روش انعطاف پذیر و آسان برای اجرای روش پیشنهاد دهید.سرانجام ، ما تصویر می کنیم روش ما از طریق برخی از نمونه های عددی و تجربی.

Censoring occurs when an outcome is unobserved beyond some threshold value. Methods that do not account for censoring produce biased predictions of the unobserved outcome. This paper introduces Type I Tobit Bayesian Additive Regression Tree (TOBART-1) models for censored outcomes. Simulation results and real data applications demonstrate that TOBART-1 produces accurate predictions of censored outcomes. TOBART-1 provides posterior intervals for the conditional expectation and other quantities of interest. The error term distribution can have a large impact on the expectation of the censored outcome. Therefore the error is flexibly modeled as a Dirichlet process mixture of normal distributions.

سانسور هنگامی اتفاق می افتد که نتیجه فراتر از مقداری از آستانه بی نظیر باشد. روش هایی که سانسور را به حساب نمی آورند پیش بینی های مغرضانه از نتیجه بدون نظارت.در این مقاله افزودنی TOBIT TOBIT BEASIAN ارائه شده است مدل های رگرسیون (TOBART-1) برای نتایج سانسور شده.نتایج شبیه سازی و برنامه های داده واقعی نشان می دهد که Tobart-1 پیش بینی های دقیقی را تولید می کند نتایج سانسور شدهTobart-1 فواصل خلفی را برای شرطی فراهم می کند انتظار و سایر مقادیر مورد علاقه.توزیع اصطلاح خطا می تواند تأثیر زیادی در انتظار نتیجه سانسور دارد.بنابراین خطا به طور انعطاف پذیر به عنوان مخلوط فرآیند Dirichlet از حالت عادی مدل می شود توزیع

This paper proposes a new class of heterogeneous causal quantities, named \textit{outcome conditioned} average structural derivatives (OASD) in a general nonseparable model. OASD is the average partial effect of a marginal change in a continuous treatment on the individuals located at different parts of the outcome distribution, irrespective of individuals' characteristics. OASD combines both features of ATE and QTE: it is interpreted as straightforwardly as ATE while at the same time more granular than ATE by breaking the entire population up according to the rank of the outcome distribution. One contribution of this paper is that we establish some close relationships between the \textit{outcome conditioned average partial effects} and a class of parameters measuring the effect of counterfactually changing the distribution of a single covariate on the unconditional outcome quantiles. By exploiting such relationship, we can obtain root-$n$ consistent estimator and calculate the semi-parametric efficiency bound for these counterfactual effect parameters. We illustrate this point by two examples: equivalence between OASD and the unconditional partial quantile effect (Firpo et al. (2009)), and equivalence between the marginal partial distribution policy effect (Rothe (2012)) and a corresponding outcome conditioned parameter. Because identification of OASD is attained under a conditional exogeneity assumption, by controlling for a rich information about covariates, a researcher may ideally use high-dimensional controls in data. We propose for OASD a novel automatic debiased machine learning estimator, and present asymptotic statistical guarantees for it. We prove our estimator is root-$n$ consistent, asymptotically normal, and semiparametrically efficient. We also prove the validity of the bootstrap procedure for uniform inference on the OASD process.

در این مقاله ، طبقه جدیدی از مقادیر علیت ناهمگن ، نامگذاری شده است \ textit {نتیجه شرط} متوسط ​​مشتقات ساختاری (OASD) به طور کلی مدل غیر قابل تفکیک.OASD میانگین تأثیر جزئی یک تغییر حاشیه ای در یک درمان مداوم بر روی افراد واقع در قسمت های مختلف توزیع نتیجه ، صرف نظر از ویژگی های افراد.OASD ترکیب هر دو ویژگی ATE و QTE: به صورت ساده تفسیر می شود همانطور که می خورد در حالی که در همان زمان با شکستن کل دانه بیشتر از آن می خورد جمعیت با توجه به رتبه توزیع نتیجه. یکی از سهم این مقاله این است که ما روابط نزدیک برقرار می کنیم بین \ textit {نتیجه متوسط ​​جلوه های جزئی و یک کلاس از پارامترهای اندازه گیری تأثیر تغییر ضد توزیع توزیع از یک متغیر متغیر در مقادیر نتیجه بی قید و شرط.با بهره برداری چنین رابطه ای ، ما می توانیم برآوردگر ثابت $ $ n $ را بدست آوریم و محاسبه کنیم راندمان نیمه پارامتری که برای این اثر ضد خلاف واقع شده است مولفه های.ما این نکته را با دو مثال نشان می دهیم: هم ارزی بین OASD و اثر کمی جزئی بی قید و شرط (Firpo et al. (2009)) ، و هم ارزی بین اثر سیاست توزیع جزئی حاشیه ای (روته (2012)) و یک پارامتر شرط نتیجه گیری مربوطه. زیرا شناسایی OASD تحت یک اگزوژن بودن مشروط حاصل می شود فرض ، با کنترل اطلاعات غنی در مورد متغیرهای متغیر ، الف محقق ممکن است در حالت ایده آل از کنترل های با ابعاد بالا در داده ها استفاده کند.ما پیشنهاد می کنیم OASD یک برآوردگر یادگیری ماشین آلات خودکار جدید ، و موجود است ضمانت آماری بدون علامت برای آن.ما ثابت می کنیم که برآوردگر ما root- $ n $ است سازگار ، بدون علامت طبیعی و نیمه کارآمد.ما همچنین اعتبار روش bootstrap را برای استنباط یکنواخت در OASD اثبات کنید روند.

The deployment of Multi-Armed Bandits (MAB) has become commonplace in many economic applications. However, regret guarantees for even state-of-the-art linear bandit algorithms (such as Optimism in the Face of Uncertainty Linear bandit (OFUL)) make strong exogeneity assumptions w.r.t. arm covariates. This assumption is very often violated in many economic contexts and using such algorithms can lead to sub-optimal decisions. Further, in social science analysis, it is also important to understand the asymptotic distribution of estimated parameters. To this end, in this paper, we consider the problem of online learning in linear stochastic contextual bandit problems with endogenous covariates. We propose an algorithm we term $\epsilon$-BanditIV, that uses instrumental variables to correct for this bias, and prove an $\tilde{\mathcal{O}}(k\sqrt{T})$ upper bound for the expected regret of the algorithm. Further, we demonstrate the asymptotic consistency and normality of the $\epsilon$-BanditIV estimator. We carry out extensive Monte Carlo simulations to demonstrate the performance of our algorithms compared to other methods. We show that $\epsilon$-BanditIV significantly outperforms other existing methods in endogenous settings. Finally, we use data from real-time bidding (RTB) system to demonstrate how $\epsilon$-BanditIV can be used to estimate the causal impact of advertising in such settings and compare its performance with other existing methods.

استقرار راهزنان چند مسلح (MAB) در بسیاری از افراد امری عادی شده است برنامه های اقتصادیبا این حال ، ضمانت های پشیمانی برای حتی پیشرفته الگوریتم های راهزن خطی (مانند خوش بینی در مقابل خطی عدم اطمینان راهزن (OFUL)) فرضیات اگزوژنی قوی W.R.T.متغیرهای بازو.این فرض اغلب در بسیاری از زمینه های اقتصادی و استفاده از چنین مواردی نقض می شود الگوریتم ها می توانند منجر به تصمیمات زیر بهینه شوند.علاوه بر این ، در علوم اجتماعی تجزیه و تحلیل ، درک توزیع بدون علامت از آن نیز مهم است پارامترهای تخمین زده شده.برای این منظور ، در این مقاله ، ما مشکل را در نظر می گیریم یادگیری آنلاین در مشکلات راهزن متنی تصادفی خطی با درون زا متغیرهای متغیرما یک الگوریتم را پیشنهاد می کنیم $ \ epsilon $-banditiv ، که از آن استفاده می کند متغیرهای ابزاری برای اصلاح این تعصب ، و اثبات یک $ \ tilde {\ mathcal {o}} (k \ sqrt {t}) $ حد بالایی برای پشیمانی مورد انتظار از الگوریتمعلاوه بر این ، ما قوام و عادی بودن بدون علامت را نشان می دهیم برآوردگر $ \ epsilon $-banditiv.ما مونت کارلو گسترده را انجام می دهیم شبیه سازی ها برای نشان دادن عملکرد الگوریتم های ما در مقایسه با سایر مواد و روش ها.ما نشان می دهیم که $ \ epsilon $-banditiv به طور قابل توجهی از دیگران بهتر عمل می کند روشهای موجود در تنظیمات درون زا.سرانجام ، ما از داده های زمان واقعی استفاده می کنیم سیستم مناقصه (RTB) برای نشان دادن چگونگی استفاده از $ \ epsilon $-banditiv تأثیر علی تبلیغات را در چنین تنظیماتی تخمین بزنید و آن را مقایسه کنید عملکرد با سایر روشهای موجود.

Spillover of economic outcomes often arises over multiple networks, and distinguishing their separate roles is important in empirical research. For example, the direction of spillover between two groups (such as banks and industrial sectors linked in a bipartite graph) has important economic implications, and a researcher may want to learn which direction is supported in the data. For this, we need to have an empirical methodology that allows for both directions of spillover simultaneously. In this paper, we develop a dynamic linear panel model and asymptotic inference with large $n$ and small $T$, where both directions of spillover are accommodated through multiple networks. Using the methodology developed here, we perform an empirical study of spillovers between bank weakness and zombie-firm congestion in industrial sectors, using firm-bank matched data from Spain between 2005 and 2012. Overall, we find that there is positive spillover in both directions between banks and sectors.

سرریز نتایج اقتصادی اغلب از طریق چندین شبکه بوجود می آید ، و تمایز نقش های جداگانه آنها در تحقیقات تجربی مهم است.برای به عنوان مثال ، جهت سرریز بین دو گروه (مانند بانک ها و بخش های صنعتی که در یک نمودار دو حزب مرتبط هستند) دارای اقتصادی مهمی هستند پیامدها ، و یک محقق ممکن است بخواهد یاد بگیرد از کدام جهت پشتیبانی می شود در داده هابرای این کار ، ما باید یک روش تجربی داشته باشیم که امکان پذیر باشد هر دو جهت از سرریز همزمان.در این مقاله ، ما توسعه می دهیم مدل پانل خطی پویا و استنتاج بدون علامت با $ n $ و کوچک $ t $ ، جایی که هر دو جهت از سرریز از طریق چندین مورد در آن قرار می گیرند شبکه های.با استفاده از روش توسعه یافته در اینجا ، ما یک مطالعه تجربی انجام می دهیم سرریز بین ضعف بانکی و احتقان زامبی در صنعتی بخش ها با استفاده از داده های همسان با بانک از اسپانیا بین سالهای 2005 تا 2012. به طور کلی ، ما می دانیم که در هر دو جهت بین هر دو جهت وجود دارد بانک ها و بخش ها.

Many econometrics textbooks imply that under mean independence of the regressors and the error term, the OLS parameters have a causal interpretation. We show that even when this assumption is satisfied, OLS might identify a pseudo-parameter that does not have a causal interpretation. Even assuming that the linear model is "structural" creates some ambiguity in what the regression error represents and whether the OLS estimand is causal. This issue applies equally to linear IV and panel data models. To give these estimands a causal interpretation, one needs to impose assumptions on a "causal" model, e.g., using the potential outcome framework. This highlights that causal inference requires causal, and not just stochastic, assumptions.

بسیاری از کتابهای درسی اقتصاد سنجی حاکی از آن است که تحت میانگین استقلال رگرسیون و اصطلاح خطا ، پارامترهای OLS دارای تعبیر علّی هستند. ما نشان می دهیم که حتی وقتی این فرض راضی باشد ، OLS ممکن است یک را شناسایی کند شبه پارامتر که تعبیر علّی ندارد.حتی فرض می کند که مدل خطی "ساختاری" است که در مورد رگرسیون ابهام ایجاد می کند خطا نشان دهنده و اینکه آیا برآورد OLS علی است.این موضوع صدق می کند به همان اندازه به مدلهای داده خطی IV و پانل.برای ارائه این برآوردها علی تفسیر ، فرد باید فرضیات را بر روی یک مدل "علی" تحمیل کند ، به عنوان مثال ، با استفاده از چارچوب نتیجه بالقوه.این برجسته است که استنباط علی است به فرضیات علّی و نه فقط تصادفی نیاز دارد.

Empirical researchers often perform model specification tests, such as the Hausman test and the overidentifying restrictions test, to confirm the validity of estimators rather than the validity of models. This paper examines the effectiveness of specification pretests in finding invalid estimators. We study the local asymptotic properties of test statistics and estimators and show that locally unbiased specification tests cannot determine whether asymptotically efficient estimators are asymptotically biased. The main message of the paper is that correct specification and valid estimation are different issues. Correct specification is neither necessary nor sufficient for asymptotically unbiased estimation under local overidentification.

محققان تجربی اغلب تست های مشخصات مدل را انجام می دهند ، مانند تست هاسمن و آزمایش محدودیت های بیش از حد ، برای تأیید اعتبار برآوردگرها به جای اعتبار مدل ها.در این مقاله به بررسی اثربخشی مشخصات مشخصات در یافتن برآوردگرهای نامعتبر.ما مطالعه میکنیم خصوصیات محلی بدون علامت آمار و برآوردگرها تست های مشخصات بی طرفانه محلی نمی توانند تعیین کنند که آیا بدون علامت برآوردگرهای کارآمد بدون علامت مغرضانه هستند.پیام اصلی کاغذ این مشخصات صحیح است و تخمین معتبر موضوعات مختلفی است. مشخصات صحیح برای بدون علامت لازم و کافی نیست برآورد بی طرفانه تحت شناسایی محلی.

This paper shows that the group composition matters for the effectiveness of labor market training programs for jobseekers. Using rich administrative data from Germany, I document that greater average exposure to highly employable peers leads to increased employment stability after program participation. Peer effects on earnings are positive and long-lasting in classic vocational training and negative but of short duration in retraining, pointing to different mechanisms. Finally, I also find evidence for non-linearities in effects and show that more heterogeneity in the peer group is detrimental.

این مقاله نشان می دهد که ترکیب گروه برای اثربخشی اهمیت دارد برنامه های آموزش بازار کار برای کارگران.با استفاده از داده های غنی اداری از آلمان ، من مستند می کنم که میانگین قرار گرفتن در معرض بسیار قابل استفاده است همسالان منجر به افزایش ثبات اشتغال پس از مشارکت در برنامه می شوند.همتا تأثیرات بر درآمد در حرفه ای کلاسیک مثبت و ماندگار است آموزش و منفی اما با مدت زمان کوتاه در بازآفرینی ، اشاره به مکانیسم های مختلف.سرانجام ، من همچنین شواهدی را برای غیرخطی ها پیدا می کنم اثرات و نشان می دهد که ناهمگونی بیشتر در گروه همسالان مضر است.

This study evaluates the macroeconomic effects of active labour market policies (ALMP) in Germany over the period 2005 to 2018. We propose a novel identification strategy to overcome the simultaneity of ALMP and labour market outcomes at the regional level. It exploits the imperfect overlap of local labour markets and local employment agencies that decide on the local implementation of policies. Specifically, we instrument for the use of ALMP in a local labour market with the mix of ALMP implemented outside this market but in local employment agencies that partially overlap with this market. We find no effects of short-term activation measures and further vocational training on aggregate labour market outcomes. In contrast, wage subsidies substantially increase the share of workers in unsubsidised employment while lowering long-term unemployment and welfare dependency. Our results suggest that negative externalities of ALMP partially offset the effects for program participants and that some segments of the labour market benefit more than others.

این مطالعه اثرات کلان اقتصادی بازار کار فعال را ارزیابی می کند سیاست ها (ALMP) در آلمان طی دوره 2005 تا 2018. ما یک رمان پیشنهاد می کنیم استراتژی شناسایی برای غلبه بر همزمانی ALMP و بازار کار نتایج در سطح منطقه.این از همپوشانی ناقص محلی بهره می برد بازارهای کار و آژانسهای اشتغال محلی که در مورد محلی تصمیم می گیرند اجرای سیاست ها.به طور خاص ، ما ابزار استفاده از ALMP در یک بازار کار محلی با ترکیبی از ALMP که در خارج از این بازار اجرا شده است اما در آژانس های اشتغال محلی که تا حدی با این بازار همپوشانی دارند.ما پیدا می کنیم هیچ تاثیری در اقدامات فعال سازی کوتاه مدت و آموزش حرفه ای بیشتر در نتایج کل بازار کار.در مقابل ، یارانه های دستمزد قابل ملاحظه ای است ضمن پایین آمدن ، سهم کارگران را در اشتغال غیرقانونی افزایش دهید بیکاری بلند مدت و وابستگی به رفاه.نتایج ما نشان می دهد که خارجی های منفی ALMP تا حدی اثرات برنامه را جبران می کند شرکت کنندگان و اینکه برخی از بخش های بازار کار بیش از دیگران.

In a binary-treatment instrumental variable framework, we define supercompliers as the subpopulation whose treatment take-up positively responds to eligibility and whose outcome positively responds to take-up. Supercompliers are the only subpopulation to benefit from treatment eligibility and, hence, are of great policy interest. Given a set of jointly testable assumptions and a binary outcome, we can completely identify the characteristics of supercompliers. Specifically, we require the standard assumptions from the local average treatment effect literature along with an outcome monotonicity assumption (i.e., treatment is weakly beneficial). We can estimate and conduct inference on supercomplier characteristics using standard instrumental variable regression.

در یک چارچوب متغیر ابزاری با دودویی ، ما تعریف می کنیم ابرقدرت ها به عنوان زیر جمعیتی که درمان آن به طور مثبت پاسخ می دهد به واجد شرایط بودن و نتیجه آن به طور مثبت به استقرار پاسخ می دهد.ابلاغ تنها زیرمجموعه ای هستند که از صلاحیت درمان بهره مند می شوند و از این رو ، علاقه زیادی به سیاست دارند.با توجه به مجموعه ای از فرضیات قابل آزمایش و نتیجه دودویی ، ما می توانیم ویژگی های آن را کاملاً شناسایی کنیم ابرقدرت هابه طور خاص ، ما به فرضیات استاندارد از متوسط ​​ادبیات اثر درمانی محلی به همراه یکنواختی نتیجه فرض (یعنی ، درمان ضعیف است).ما می توانیم تخمین و رفتار کنیم استنتاج در خصوصیات فوق العاده با استفاده از متغیر ابزاری استاندارد پسرفت.

Many environments in economics feature a cross-section of units linked by bilateral ties. I develop a framework for studying dynamics of cross-sectional variables exploiting this network structure. It is a vector autoregression in which innovations transmit cross-sectionally only via bilateral links and which can accommodate rich patterns of how network effects of higher order accumulate over time. The model can be used to estimate dynamic network effects, with the network given or inferred from dynamic cross-correlations in the data. It also offers a dimensionality-reduction technique for modeling high-dimensional (cross-sectional) processes, owing to networks' ability to summarize complex relations among variables (units) by relatively few non-zero bilateral links. In a first application, I estimate how sectoral productivity shocks transmit along supply chain linkages and affect dynamics of sectoral prices in the US economy. The analysis suggests that network positions can rationalize not only the strength of a sector's impact on aggregates, but also its timing. In a second application, I model industrial production growth across 44 countries by assuming global business cycles are driven by bilateral links which I estimate. This reduces out-of-sample mean squared errors by up to 23% relative to a principal components factor model.

بسیاری از محیط های اقتصاد دارای مقطعی از واحدهای مرتبط با روابط دو جانبهمن چارچوبی برای مطالعه دینامیک مقطعی ایجاد می کنم متغیرهای بهره برداری از این ساختار شبکه.این یک پیش بینی بردار است کدام نوآوری ها فقط از طریق پیوندهای دو طرفه به صورت مقطعی منتقل می شوند و کدام یک می تواند الگوهای غنی از چگونگی جمع آوری اثرات شبکه در مرتبه بالاتر را در خود جای دهد در طول زمان.این مدل را می توان برای برآورد اثرات شبکه پویا ، با شبکه داده شده یا از همبستگی های متقابل پویا در داده ها استنباط می شود.همچنین یک روش کاهش ابعادی برای مدل سازی با ابعاد بالا ارائه می دهد (مقطعی) فرآیندهای ، به دلیل توانایی شبکه ها در خلاصه کردن پیچیده روابط بین متغیرها (واحدها) با پیوندهای دو طرفه نسبتاً کمی. در اولین کاربردی ، من تخمین می زنم که چگونه شوک های بهره وری بخش منتقل می شوند در امتداد پیوندهای زنجیره تأمین و بر پویایی قیمت های بخش در ایالات متحده تأثیر می گذارد اقتصادتجزیه و تحلیل نشان می دهد که موقعیت های شبکه نه تنها می توانند منطقی باشند قدرت تأثیر یک بخش بر سنگدانه ها ، بلکه زمان آن نیز هست.در یک کاربرد دوم ، من رشد تولید صنعتی را در 44 کشور جهان توسط با فرض چرخه های تجاری جهانی توسط پیوندهای دو جانبه ای که تخمین می زنم هدایت می شود. این باعث کاهش میانگین خطاهای مربع تا 23 ٪ نسبت به a می شود مدل عامل اصلی اجزای اصلی.

This paper investigates new ways of estimating and identifying causal, noncausal, and mixed causal-noncausal autoregressive models driven by a non-Gaussian error sequence. We do not assume any parametric distribution function for the innovations. Instead, we use the information of higher-order cumulants, combining the spectrum and the bispectrum in a minimum distance estimation. We show how to circumvent the nonlinearity of the parameters and the multimodality in the noncausal and mixed models by selecting the appropriate initial values in the estimation. In addition, we propose a method of identification using a simple comparison criterion based on the global minimum of the estimation function. By means of a Monte Carlo study, we find unbiased estimated parameters and a correct identification as the data depart from normality. We propose an empirical application on eight monthly commodity prices, finding noncausal and mixed causal-noncausal dynamics.

در این مقاله روشهای جدید تخمین و شناسایی علی بررسی شده است ، مدل های غیر احتمالی و مختلط علت و معلولی علی دنباله خطای غیر گایزسی.ما هیچ توزیع پارامتری را فرض نمی کنیم عملکرد برای نوآوری ها.در عوض ، ما از اطلاعات مرتبه بالاتر استفاده می کنیم جمع کننده ها ، ترکیب طیف و bispectrum در حداقل فاصله برآورد کردن.ما نشان می دهیم که چگونه می توان غیرخطی بودن پارامترها را دور زد و چند حالته در مدل های غیرعادی و مختلط با انتخاب مقادیر اولیه مناسب در تخمین.علاوه بر این ، ما یک روش را پیشنهاد می کنیم شناسایی با استفاده از یک معیار مقایسه ساده بر اساس جهانی حداقل عملکرد تخمین.با استفاده از یک مطالعه مونت کارلو ، می یابیم پارامترهای تخمین زده شده بی طرفانه و یک شناسایی صحیح به عنوان داده ها از نرمال بودنما یک برنامه تجربی را در هشت کالای ماهانه پیشنهاد می کنیم قیمت ها ، پیدا کردن پویایی غیرعادی و علی و علی.

When observing spatial data, what standard errors should we report? With the finite population framework, we identify three channels of spatial correlation: sampling scheme, assignment design, and model specification. The Eicker-Huber-White standard error, the cluster-robust standard error, and the spatial heteroskedasticity and autocorrelation consistent standard error are compared under different combinations of the three channels. Then, we provide guidelines for whether standard errors should be adjusted for spatial correlation for both linear and nonlinear estimators. As it turns out, the answer to this question also depends on the magnitude of the sampling probability.

هنگام مشاهده داده های مکانی ، چه خطاهای استانداردی را باید گزارش دهیم؟با چارچوب جمعیت محدود ، ما سه کانال همبستگی مکانی را شناسایی می کنیم: طرح نمونه برداری ، طراحی انتساب و مشخصات مدل.در خطای استاندارد Eicker-Huber-White ، خطای استاندارد خوشه ای-رابست و خطای استاندارد سازگار با همبستگی مکانی و همبستگی همبستگی است در مقایسه با ترکیبات مختلف سه کانال مقایسه شده است.سپس ، ما ارائه می دهیم رهنمودهای مربوط به اینکه آیا خطاهای استاندارد باید برای مکانی تنظیم شوند همبستگی برای هر دو برآوردگر خطی و غیرخطی.همانطور که معلوم است ، پاسخ به این سوال همچنین به بزرگی نمونه گیری بستگی دارد احتمال

Policy analysts are often interested in treating the units with extreme outcomes, such as infants with extremely low birth weights. Existing changes-in-changes (CIC) estimators are tailored to middle quantiles and do not work well for such subpopulations. This paper proposes a new CIC estimator to accurately estimate treatment effects at extreme quantiles. With its asymptotic normality, we also propose a method of statistical inference, which is simple to implement. Based on simulation studies, we propose to use our extreme CIC estimator for extreme, such as below 5% and above 95%, quantiles, while the conventional CIC estimator should be used for intermediate quantiles. Applying the proposed method, we study the effects of income gains from the 1993 EITC reform on infant birth weights for those in the most critical conditions. This paper is accompanied by a Stata command.

تحلیلگران سیاست اغلب علاقه مند به درمان واحدها با شدید هستند نتایج ، مانند نوزادان با وزن بسیار کم هنگام تولد.موجود برآوردگرهای تغییرات در تغییر (CIC) متناسب با مقدار میانه هستند و نمی کنند برای چنین زیرمجموعهایی خوب کار کنید.در این مقاله یک برآوردگر جدید CIC به اثرات درمانی را به طور دقیق در مقادیر شدید تخمین بزنید.با مجانبی نرمال بودن ، ما همچنین یک روش استنباط آماری را ارائه می دهیم ، که ساده است برای پیاده سازی.بر اساس مطالعات شبیه سازی ، ما پیشنهاد می کنیم از CIC شدید خود استفاده کنیم برآوردگر شدید ، مانند زیر 5 ٪ و بالاتر از 95 ٪ ، در حالی که برآوردگر CIC معمولی باید برای مقادیر متوسط ​​استفاده شود.متقاضی روش پیشنهادی ، ما اثرات سود درآمد حاصل از EITC 1993 را بررسی می کنیم اصلاحات در مورد وزن هنگام تولد نوزادان برای کسانی که در بحرانی ترین شرایط هستند.این مقاله با یک دستور stata همراه است.

The assumption of group heterogeneity has become popular in panel data models. We develop a constrained Bayesian grouped estimator that exploits researchers' prior beliefs on groups in a form of pairwise constraints, indicating whether a pair of units is likely to belong to a same group or different groups. We propose a prior to incorporate the pairwise constraints with varying degrees of confidence. The whole framework is built on the nonparametric Bayesian method, which implicitly specifies a distribution over the group partitions, and so the posterior analysis takes the uncertainty of the latent group structure into account. Monte Carlo experiments reveal that adding prior knowledge yields more accurate estimates of coefficient and scores predictive gains over alternative estimators. We apply our method to two empirical applications. In a first application to forecasting U.S. CPI inflation, we illustrate that prior knowledge of groups improves density forecasts when the data is not entirely informative. A second application revisits the relationship between a country's income and its democratic transition; we identify heterogeneous income effects on democracy with five distinct groups over ninety countries.

فرض ناهمگونی گروه در داده های پانل محبوب شده است مدل ها.ما یک برآوردگر گروهی محدود بیزی ایجاد می کنیم که بهره برداری می کند اعتقادات قبلی محققان در مورد گروه ها به شکلی از محدودیت های زوجی ، نشان می دهد که آیا یک جفت واحد به احتمال زیاد متعلق به یک گروه است یا گروه های مختلفما قبل از ترکیب محدودیت های زوج پیشنهاد می کنیم با درجات مختلف اعتماد به نفس.کل چارچوب بر روی ساخته شده است روش بیزی غیرپارامتری ، که به طور ضمنی توزیع را بیش از حد مشخص می کند پارتیشن های گروهی ، و بنابراین تجزیه و تحلیل خلفی عدم اطمینان از ساختار گروه نهفته در نظر گرفته شده است.آزمایش های مونت کارلو نشان می دهد که اضافه کردن دانش قبلی برآورد دقیق تر از ضریب و نمرات پیش بینی پیش بینی برآوردگرهای جایگزین.ما روش خود را برای دو مورد اعمال می کنیم برنامه های تجربی.در اولین برنامه برای پیش بینی CPI ایالات متحده تورم ، ما نشان می دهیم که دانش قبلی گروه ها چگالی را بهبود می بخشد پیش بینی هنگامی که داده ها کاملاً آموزنده نیستند.یک برنامه دوم در رابطه بین درآمد یک کشور و دموکراتیک آن تجدید نظر می کند انتقالما اثرات درآمد ناهمگن بر روی دموکراسی را با پنج نفر شناسایی می کنیم گروه های متمایز بیش از نود کشور.

Ride-sourcing services offered by companies like Uber and Didi have grown rapidly in the last decade. Understanding the demand for these services is essential for planning and managing modern transportation systems. Existing studies develop statistical models for ride-sourcing demand estimation at an aggregate level due to limited data availability. These models lack foundations in microeconomic theory, ignore competition of ride-sourcing with other travel modes, and cannot be seamlessly integrated into existing individual-level (disaggregate) activity-based models to evaluate system-level impacts of ride-sourcing services. In this paper, we present and apply an approach for estimating ride-sourcing demand at a disaggregate level using discrete choice models and multiple data sources. We first construct a sample of trip-based mode choices in Chicago, USA by enriching household travel survey with publicly available ride-sourcing and taxi trip records. We then formulate a multivariate extreme value-based discrete choice with sampling and endogeneity corrections to account for the construction of the estimation sample from multiple data sources and endogeneity biases arising from supply-side constraints and surge pricing mechanisms in ride-sourcing systems. Our analysis of the constructed dataset reveals insights into the influence of various socio-economic, land use and built environment features on ride-sourcing demand. We also derive elasticities of ride-sourcing demand relative to travel cost and time. Finally, we illustrate how the developed model can be employed to quantify the welfare implications of ride-sourcing policies and regulations such as terminating certain types of services and introducing ride-sourcing taxes.

خدمات منبع سواری ارائه شده توسط شرکت هایی مانند Uber و Didi رشد کرده اند به سرعت در دهه گذشته.درک تقاضا برای این خدمات است برای برنامه ریزی و مدیریت سیستم های حمل و نقل مدرن ضروری است.موجود مطالعات مدلهای آماری را برای برآورد تقاضای منبع سوار در یک سطح کل به دلیل در دسترس بودن داده های محدود.این مدل ها فاقد پایه هستند در نظریه خرد اقتصادی ، رقابت منابع سواری با سایر سفرها را نادیده بگیرید حالت ها ، و نمی تواند یکپارچه در سطح فردی موجود ادغام شود (اختلاف نظر) مدلهای مبتنی بر فعالیت برای ارزیابی تأثیرات سطح سیستم خدمات منبع سواری.در این مقاله ، ما رویکردی را ارائه می دهیم و به کار می بریم تخمین تقاضای منبع سواری در سطح تفکیک با استفاده از انتخاب گسسته مدل ها و منابع مختلف داده.ما ابتدا نمونه ای از سفر را می سازیم انتخاب حالت در شیکاگو ، ایالات متحده با غنی سازی بررسی سفر خانگی با عمومی سوابق موجود در منبع سواری و تاکسی.سپس یک چند متغیره را تدوین می کنیم انتخاب گسسته مبتنی بر ارزش شدید با نمونه گیری و اصلاحات درون زا برای ساخت نمونه تخمین از داده های متعدد حساب می شود منابع و تعصبات درون زا ناشی از محدودیت های جانبی و افزایش مکانیسم های قیمت گذاری در سیستم های منبع سواری.تجزیه و تحلیل ما از ساخته شده مجموعه داده ها بینش هایی را در مورد تأثیر استفاده مختلف اقتصادی و اقتصادی اقتصادی ، اراضی نشان می دهد و ویژگی های محیطی ساخته شده در تقاضای منبع سواری.ما نیز مشتق می شویم خاصیت ارتجاعی تقاضای منبع سواری نسبت به هزینه سفر و زمان.سرانجام، ما نشان می دهیم که چگونه می توان از مدل توسعه یافته برای تعیین کمیت رفاه استفاده کرد پیامدهای سیاست ها و مقررات منبع سواری مانند خاتمه انواع خاصی از خدمات و معرفی مالیات های منبع سواری.

We study how childhood exposure to technology at ages 5-15 via the occupation of the parents affects the ability to climb the social ladder in terms of income at ages 45-49 using the Danish micro data from years 1961-2019. Our measure of technology exposure covers the degree to which using computers (hardware and software) is required to perform an occupation, and it is created by merging occupational codes with detailed data from O*NET. The challenge in estimating this effect is that long-term outcome is observed over a different time horizon than our treatment of interest. We therefore adapt the surrogate index methodology, linking the effect of our childhood treatment on intermediate surrogates, such as income and education at ages 25-29, to the effect on adulthood income. We estimate that a one standard error increase in exposure to technology increases the income rank by 2\%-points, which is economically and statistically significant and robust to cluster-correlation within families. The derived policy recommendation is to update the educational curriculum to expose children to computers to a higher degree, which may then act as a social leveler.

ما مطالعه می کنیم که چگونه قرار گرفتن در معرض کودک در سن 5-15 سال از طریق اشغال از نظر والدین ، ​​از نظر توانایی صعود از نردبان اجتماعی تأثیر می گذارد درآمد در سنین 45-49 با استفاده از داده های خرد دانمارک از سالهای 1961-2019.ما اندازه گیری قرار گرفتن در معرض فناوری میزان استفاده از رایانه ها را در بر می گیرد (سخت افزار و نرم افزار) برای انجام شغل لازم است و ایجاد می شود با ادغام کدهای شغلی با داده های دقیق از o*net.چالش در تخمین این اثر این است که نتیجه بلند مدت بر روی یک متفاوت مشاهده می شود افق زمانی از برخورد ما با علاقه.بنابراین ما جانشین را تطبیق می دهیم روش شاخص ، پیوند تأثیر درمان در دوران کودکی ما بر جانشین های میانی ، مانند درآمد و تحصیلات در سنین 25-29 سال ، به تأثیر بر درآمد بزرگسالی.ما تخمین می زنیم که یک خطای یک استاندارد افزایش می یابد قرار گرفتن در معرض فناوری ، رتبه درآمد را 2 \ ٪ افزایش می دهد ، که این است از نظر اقتصادی و آماری قابل توجه و با همبستگی خوشه ای در خانواده هاتوصیه سیاست مشتق شده به روزرسانی آموزشی است برنامه درسی برای قرار دادن کودکان در رایانه ها تا حد بالاتری ، که ممکن است در آن صورت باشد به عنوان یک سطح اجتماعی عمل کنید.

This paper proposes IV-based estimators for the semiparametric distribution regression model in the presence of an endogenous regressor, which are based on an extension of IV probit estimators. We discuss the causal interpretation of the estimators and two methods (monotone rearrangement and isotonic regression) to ensure a monotonically increasing distribution function. Asymptotic properties and simulation evidence are provided. An application to wage equations reveals statistically significant and heterogeneous differences to the inconsistent OLS-based estimator.

در این مقاله برآوردگرهای مبتنی بر IV برای توزیع نیمه پارامتری پیشنهاد شده است مدل رگرسیون در حضور یک رگرسور درون زا ، که مبتنی بر آن است گسترش برآوردگرهای پروبیت IV.ما در مورد تفسیر علت ای بحث می کنیم برآوردگرها و دو روش (تنظیم مجدد یکنواخت و رگرسیون ایزوتونیک) برای اطمینان از عملکرد توزیع یکنواختی.تقریبی خواص و شواهد شبیه سازی ارائه شده است.برنامه ای برای دستمزد معادلات تفاوتهای آماری معنی دار و ناهمگن را نشان می دهد برآوردگر مبتنی بر OLS متناقض.

We propose a new model-selection algorithm for Regression Discontinuity Design, Regression Kink Design, and related IV estimators. Candidate models are assessed within a 'placebo zone' of the running variable, where the true effects are known to be zero. The approach yields an optimal combination of bandwidth, polynomial, and any other choice parameters. It can also inform choices between classes of models (e.g. RDD versus cohort-IV) and any other choices, such as covariates, kernel, or other weights. We outline sufficient conditions under which the approach is asymptotically optimal. The approach also performs favorably under more general conditions in a series of Monte Carlo simulations. We demonstrate the approach in an evaluation of changes to Minimum Supervised Driving Hours in the Australian state of New South Wales. We also re-evaluate evidence on the effects of Head Start and Minimum Legal Drinking Age. Our Stata commands implement the procedure and compare its performance to other approaches.

ما یک الگوریتم انتخاب مدل جدید برای ناپیوستگی رگرسیون پیشنهاد می کنیم طراحی ، طراحی رگرسیون kink و برآوردگرهای مرتبط با IV.مدل های نامزد هستند در یک "منطقه دارونما" از متغیر در حال اجرا ، که در آن واقعی است ارزیابی می شود اثرات صفر شناخته شده است.این رویکرد ترکیبی بهینه از پهنای باند ، چند جمله ای و هر پارامتر انتخاب دیگری.همچنین می تواند اطلاع دهد گزینه های بین کلاس های مدل (به عنوان مثال RDD در مقابل Cohort-IV) و هر چیز دیگری انتخاب ها ، مانند متغیرهای متغیر ، هسته یا سایر وزنه ها.ما به اندازه کافی ترسیم می کنیم شرایطی که تحت آن رویکرد به صورت نامتعارف بهینه است.رویکرد همچنین در یک سری مونته در شرایط عمومی تر عملکرد مطلوبی دارد شبیه سازی های کارلو.ما رویکرد را در ارزیابی تغییرات نشان می دهیم حداقل ساعات رانندگی تحت نظارت در ایالت استرالیا نیو ساوت ولز.ما همچنین شواهد را در مورد اثرات شروع سر و حداقل قانونی ارزیابی کنید سن نوشیدندستورات Stata ما روش را پیاده سازی کرده و آن را مقایسه می کنند عملکرد به رویکردهای دیگر.

Production functions are potentially misspecified when revenue is used as a proxy for output. I formalize and strengthen this common knowledge by showing that neither the production function nor Hicks-neutral productivity can be identified with such a revenue proxy. This result holds under the standard assumptions used in the literature for a large class of production functions, including all commonly used parametric forms. Among the prevalent approaches to address this issue, only those that impose assumptions on the underlying demand system can possibly identify the production function.

عملکردهای تولید به طور بالقوه هنگام استفاده از درآمد به عنوان یک اشتباه شناخته می شوند پروکسی برای خروجی.من این دانش مشترک را با نشان دادن رسمی و تقویت می کنم که نه عملکرد تولید و نه بهره وری خنثی هیکس نمی تواند باشد با چنین پروکسی درآمدی مشخص شده است.این نتیجه تحت استاندارد نگه داشته می شود فرضیات مورد استفاده در ادبیات برای کلاس بزرگی از کارکردها ، از جمله همه فرم های پارامتری معمولاً استفاده می شود.از جمله رویکردهای رایج به به این مسئله بپردازید ، فقط مواردی که فرضیات را بر تقاضای اساسی تحمیل می کنند سیستم احتمالاً می تواند عملکرد تولید را شناسایی کند.

For western economies a long-forgotten phenomenon is on the horizon: rising inflation rates. We propose a novel approach christened D2ML to identify drivers of national inflation. D2ML combines machine learning for model selection with time dependent data and graphical models to estimate the inverse of the covariance matrix, which is then used to identify dominant drivers. Using a dataset of 33 countries, we find that the US inflation rate and oil prices are dominant drivers of national inflation rates. For a more general framework, we carry out Monte Carlo simulations to show that our estimator correctly identifies dominant drivers.

برای اقتصادهای غربی یک پدیده طولانی فراموش شده در افق است: افزایش نرخ تورمما یک رویکرد جدید را برای شناسایی D2ML پیشنهاد می کنیم رانندگان تورم ملی.D2ML یادگیری ماشین را برای مدل ترکیب می کند انتخاب با داده های وابسته به زمان و مدل های گرافیکی برای برآورد معکوس از ماتریس کواریانس ، که سپس برای شناسایی رانندگان غالب استفاده می شود. با استفاده از مجموعه داده 33 کشور ، متوجه می شویم که نرخ تورم و روغن ایالات متحده قیمت ها محرک های غالب نرخ تورم ملی هستند.برای یک عمومی تر چارچوب ، ما شبیه سازی های مونت کارلو را انجام می دهیم تا نشان دهیم که برآوردگر ما به درستی رانندگان غالب را مشخص می کند.

Statistical identification of possibly non-fundamental SVARMA models requires structural errors: (i) to be an i.i.d process, (ii) to be mutually independent across components, and (iii) each of them must be non-Gaussian distributed. Hence, provided the first two requisites, it is crucial to evaluate the non-Gaussian identification condition. We address this problem by relating the non-Gaussian dimension of structural errors vector to the rank of a matrix built from the higher-order spectrum of reduced-form errors. This makes our proposal robust to the roots location of the lag polynomials, and generalizes the current procedures designed for the restricted case of a causal structural VAR model. Simulation exercises show that our procedure satisfactorily estimates the number of non-Gaussian components.

شناسایی آماری از مدل های احتمالاً غیر بودجه SVARMA نیاز دارد خطاهای ساختاری: (i) به عنوان یک فرآیند i.i.d ، (ii) مستقل متقابل در سراسر مؤلفه ها ، و (iii) هرکدام از آنها باید غیر گائوس توزیع شوند. از این رو ، به شرط دو مورد ضروری اول ، ارزیابی این موارد بسیار مهم است شرایط شناسایی غیر گایزیایی.ما با ارتباط با این مشکل به این مشکل می پردازیم ابعاد غیر گاوسی بردار خطاهای ساختاری به رتبه یک ماتریس ساخته شده از طیف مرتبه بالاتر خطاهای کاهش یافته.این باعث می شود پیشنهاد قوی به محل ریشه های چند جمله ای تاخیر ، و تعمیم می یابد رویه های فعلی که برای مورد محدود یک ساختاری علی طراحی شده است مدل var.تمرینات شبیه سازی نشان می دهد که روش ما به طور رضایت بخش تعداد اجزای غیر گاوسی را تخمین می زند.