THE MOVING BLOCKS BOOTSTRAP FOR PANEL LINEAR REGRESSION MODELS WITH INDIVIDUAL FIXED EFFECTS
Notice bibliographique
Résumé
In this paper we propose a bootstrap method for panel data linear regression models with individual fixed effects. The method consists of applying the standard moving blocks bootstrap of Künsch (1989, Annals of Statistics 17, 1217–1241) and Liu and Singh (1992, in R. LePage & L. Billiard (eds.), Exploring the Limits of the Bootstrap) to the vector containing all the individual observations at each point in time. We show that this bootstrap is robust to serial and cross-sectional dependence of unknown form under the assumption that n (the cross-sectional dimension) is an arbitrary nondecreasing function of T (the time series dimension), where T → ∞, thus allowing for the possibility that both n and T diverge to infinity. The time series dependence is assumed to be weak (of the mixing type), but we allow the cross-sectional dependence to be either strong or weak (including the case where it is absent). Under appropriate conditions, we show that the fixed effects estimator (and also its bootstrap analogue) has a convergence rate that depends on the degree of cross-section dependence in the panel. Despite this, the same studentized test statistics can be computed without reference to the degree of cross-section dependence. Our simulation results show that the moving blocks bootstrap percentile-t intervals have very good coverage properties even when the degree of serial and cross-sectional correlation is large, provided the block size is appropriately chosen.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».