Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > econ > arXiv:2311.03471v3

帮助 | 高级搜索

经济学 > 计量经济学

arXiv:2311.03471v3 (econ)
[提交于 2023年11月6日 (v1) ,最后修订 2023年11月11日 (此版本, v3)]

标题: 面板数据回归模型的最优估计方法

标题: Optimal Estimation Methodologies for Panel Data Regression Models

Authors:Christis Katsouris
摘要: 这项调查研究讨论了面板数据回归模型最优估计方法的主要方面。 特别是,我们介绍了对平稳面板数据建模的当前方法论发展,以及在非平稳面板数据回归模型中进行估计和推断的稳健方法。 一些来自网络计量经济学和高维统计文献的应用也在平稳时间序列环境中进行了讨论。
摘要: This survey study discusses main aspects to optimal estimation methodologies for panel data regression models. In particular, we present current methodological developments for modeling stationary panel data as well as robust methods for estimation and inference in nonstationary panel data regression models. Some applications from the network econometrics and high dimensional statistics literature are also discussed within a stationary time series environment.
主题: 计量经济学 (econ.EM)
引用方式: arXiv:2311.03471 [econ.EM]
  (或者 arXiv:2311.03471v3 [econ.EM] 对于此版本)
  https://doi.org/10.48550/arXiv.2311.03471
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Christis Katsouris [查看电子邮件]
[v1] 星期一, 2023 年 11 月 6 日 19:15:11 UTC (111 KB)
[v2] 星期四, 2023 年 11 月 9 日 18:26:03 UTC (123 KB)
[v3] 星期六, 2023 年 11 月 11 日 15:12:02 UTC (130 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
econ.EM
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-11
切换浏览方式为:
econ

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号