Composite Quasi-Maximum Likelihood Estimation of Dynamic Panels with Group-Specific Heterogeneity and Spatially Dependent Errors
Notice bibliographique
Résumé
This paper proposes a new method to estimate dynamic panel data models with spatially \ndependent errors that allows for known/unknown group-specific patterns of slope heterogeneity. \nAnalysis of this model is conducted in the framework of composite quasi-likelihood (CL) \nmaximization. The proposed CL estimator is robust against some misspecification of the unobserved \nindividual/group-specific fixed effects. Since our CL method is based on the idea \nof doing regressions involving common-group stochastic trends, no endogeneity problem will \narise. Therefore, unlike existing methods the proposed estimator does not require the use of \nintrumental variables nor bias correction/reduction. Clustering and estimation of the parameters \nof interest involve a large-scale non-convex mixed-integer programming problem, which \ncan then be solved via a new efficient approach developed based on DC (Difference-of-Convex \nfunctions) programming and the DCA (DC algorithm). Suppose that the number of time periods \nand the size of spatial domain grow simultaneously, asymptotic theory is derived for both \ncases where the covariates are stationary and nonstationary. An extensive Monte Carlo simulation \nis also provided to examine the finite-sample performance of the proposed estimator. \nOur method is then applied to study the long-run relationship between saving and investment \nrates. The empirical findings reconcile various empirical approaches to capital mobility in the \nliterature; and there exists substantial capital mobility in some countries while no conclusion \nabout capital mobility can be drawn in other countries. Applied economists can easily implement \nthe method by using the companion software to this paper.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».