Handling Endogenous Marketing Mix Regressors in Correlated Heterogeneous Panels with Copula Augmented Mean Group Estimation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Endogeneity is a primary concern when evaluating causal effects using observational panel data. While unit-specific intercepts control for unobserved time-invariant confounders, dependence between (i) regressors (e.g., marketing mix strategy of interests) and the current error term (regressor endogeneity) and/or between (ii) regressors and heterogeneous slopes (slope endogeneity) can introduce significant endogeneity bias. This paper proposes a two-stage copula endogeneity correction mean group (2sCOPE-MG) estimator for panel models, simultaneously addressing both endogeneity concerns. We generalize the IV-free copula control function, employing a general location Gaussian copula that effectively captures the panel structure. The heterogeneous coefficients are treated as unit-specific parameters without distributional assumptions. Consequently, 2sCOPE-MG allows for arbitrary dependence structure between heterogeneous coefficients and regressors. Compared with Haschka (2022), 2sCOPE-MG is more general (permitting correlated random coefficients), more robust (allowing for heterogeneity in the variance-covariance matrix of the Gaussian copula), and easier to implement. We extend 2sCOPE-MG to dynamic panels, where intertemporal dependence in the outcome process can be suitably captured. We derive its asymptotic properties and an analytical variance formula for inference without bootstrapping. We demonstrate its usage by simulations and a marketing mix response application across 21 categories accounting for both endogeneities in store-sales panel data.
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.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle