Dynamic Heterogeneous Panel Data Models with Cross-Section Dependence
Notice bibliographique
Résumé
<p>This dissertation generalizes the asymptotic theory of dynamic cross-section heterogeneous coefficient panels with interactive fixed effects to allow for the cross-section units to be correlated due to local shocks. Traditional heterogeneous coefficient estimators in the multifactor error structure literature typically only focus on the influence that global shocks have on model estimates; global shocks such as the impact of the COVID-19 pandemic on a panel of world economic growth rates.</p> <p>We extend this focus to also allow for local shocks that significantly impact only a small subset of the cross-section units in the sample. Local shocks like the impact of a falling crop price on the significant producer countries of that crop or the impact of a drought on the drought-affected nations. We derive the limiting distribution for the cross-section heterogeneous coefficients under √TN → c, 0 ⩽ c < ∞ asymptotics (where N and T are the number of cross-sections and time periods respectively). We observe a bias in the coefficient estimates associated with local shocks to the dependent variable (i.e., associated with the weak cross-section dependence of the idiosyncratic error). We provide sufficient conditions so that the bias and the covariance matrix of the limiting distribution can be consistently estimated in the presence of local and global shocks. Our theoretical findings are accompanied by extensive Monte Carlo experiments demonstrating the often superior finite sample performance of our estimation method over other competing techniques when the idiosyncratic errors are weakly cross-section dependent. We also provide an empirical application of our estimator and evaluate the country-specific long-run impact public debt has on economic growth for 86 countries.</p>
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».