Multidimensional Interactive Fixed-Effects

要約

この論文では、観測されていないインタラクティブな固定効果を持つ 3 つ以上の次元の多次元パネル データの線形で加法的に分離可能なモデルを研究します。
観測された共変量の係数を推定するときに、これらの観測されていないインタラクティブな固定効果を説明するために、2 つのアプローチが考えられます。
まず、モデルは標準の 2 次元パネル フレームワーク内に埋め込まれ、Bai (2009) の因子構造法がモデル パラメーターの一貫した推定につながる制限が導出されますが、収束速度が遅くなる可能性があります。
2 番目のアプローチでは、一般的な機械学習手法を利用して、問題の多次元的性質に対してよりロバストで、特定の条件下でパラメトリックな整合率を達成できるグループ固定効果とカーネル加重固定効果を開発します。
理論的な結果とシミュレーションは、対話型固定効果項の構造がわかっている場合の標準的な 2 次元パネル法の利点を示していますが、この構造の知識がなくてもグループ固定効果とカーネル法がどのように機能するかを強調しています。
これらの方法は、いくつかの需要モデルの下でビールの需要弾力性を推定するために実装されています。

要約(オリジナル)

This paper studies a linear and additively separable model for multidimensional panel data of three or more dimensions with unobserved interactive fixed effects. Two approaches are considered to account for these unobserved interactive fixed-effects when estimating coefficients on the observed covariates. First, the model is embedded within the standard two-dimensional panel framework and restrictions are derived under which the factor structure methods in Bai (2009) lead to consistent estimation of model parameters, but at potentially slow rates of convergence. The second approach utilises popular machine learning techniques to develop group fixed-effects and kernel weighted fixed-effects that are more robust to the multidimensional nature of the problem and can achieve the parametric rate of consistency under certain conditions. Theoretical results and simulations show the benefit of standard two-dimensional panel methods when the structure of the interactive fixed-effect term is known, but also highlight how the group fixed-effects and kernel methods perform well without knowledge of this structure. The methods are implemented to estimate the demand elasticity for beer under a handful of models for demand.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google