55 Arbeiten
Dieses Papier entwickelt eine robuste Identifikationsmethode, die strategisches Falschmelden von Präferenzen in Zuordnungsmechanismen berücksichtigt, um scharfe Schranken für die kausalen Effekte der Schulzuweisung zu bestimmen und dabei signifikante Heterogenität im Studienerfolg aufzudecken.
Dieses Papier entwickelt selbstnormalisierende Strukturbruchtests für prädiktive Quantil- und CoVaR-Regressionen, die unabhängig von der Stationarität der Prädiktoren gültig sind und sich zur Erkennung instabiler Prognosezusammenhänge in der Finanzwirtschaft eignen.
Diese Arbeit schließt eine theoretische Lücke, indem sie formal beweist, dass der Quasi-Maximum-Likelihood-Schätzer unter den von Manski (1975, 1985) identifizierten Bedingungen eine konsistente Schätzung der Steigungskoeffizienten in Binärwahlmodellen liefert.
Dieses Papier untersucht mittels zweier Kapitel und empirischer Analysen chinesischer Provinzdaten, wie heterogene Wechselkurs- und Arbeitsmarktschwankungen den internationalen Handel beeinflussen und welche Rolle dabei optimale Geldpolitik, Innovation sowie Kooperationsstrategien spielen.
Der Autor kritisiert, dass die Anwendbarkeit der vorgeschlagenen „hippokratischen Nutzenfunktion", die zwischen durch Unterlassung und durch Behandlung geretteten Leben unterschiedlich gewichtet, durch ein Gegenbeispiel eingeschränkt wird.
Die Studie stellt einen strukturierten semiparametrischen Ansatz vor, der auf Double Machine Learning basiert, um verzerrte Schätzer in randomisierten Experimenten auf Plattformen mit algorithmischer Interferenz zu korrigieren und so präzise globale Behandlungseffekte für den flächendeckenden Einsatz von Algorithmen zu ermöglichen.
Diese Arbeit entwickelt GMM- und M-Schätzer für netzwerkabhängige Daten, indem sie auf der Arbeit von Kojevnikov, Marmer und Song (2021) aufbaut und eine neue gleichmäßige Gesetz der großen Zahlen herleitet, um Konsistenz und asymptotische Normalität nachzuweisen.
Die Studie „TEA-Time" entwickelt ein Rahmenwerk zur Extrapolation von Behandlungseffekten auf andere Zeitpunkte, indem sie zwei Identifikationsstrategien mit doppelt robusten Schätzern vorstellt, die in einer Anwendung auf Upworthy-Daten einen Zielkonflikt zwischen Präzision und Verzerrung aufzeigen.
Diese Arbeit stellt einen einheitlichen Kalibrierungsrahmen vor, der durch eine konvexe Optimierungsproblemstellung heterogene Zusatzinformationen aus verschiedenen Quellen in randomisierten Experimenten integriert, um die Effizienz der Behandlungseffektschätzung zu steigern, ohne die asymptotische Validität zu beeinträchtigen.
Diese Studie entwickelt einen konsistenten Bayes-Faktor-Test auf Endogenität für lineare Regressionsmodelle mittels des Rahmens der exponentiell gekippten empirischen Likelihood, der die Exogenität der Regressoren überprüft und dabei sowohl durch Simulationen als auch durch empirische Anwendungen zu Automobil- und Flugticketpreisen validiert wird.
Dieser Artikel liefert eine analytische Charakterisierung der Modellflexibilität der synthetischen Kontrollmethode mittels Freiheitsgraden, ermöglicht die Schätzung von Informationskriterien zur effizienteren Modellauswahl als Kreuzvalidierung und demonstriert deren Überlegenheit am Beispiel der Fahrzeugzulassungsbeschränkungen in Tianjin.
Diese Arbeit stellt einen modifizierten bedingten Summe-der-Quadrate-Schätzer (MCSS) für fraktional integrierte ARFIMA-Modelle vor, der durch eine einfache Anpassung der Zielfunktion die durch die Schätzung einer Konstanten verursachte Verzerrung beseitigt und damit sowohl theoretisch als auch in Simulationen eine deutlich verbesserte Leistung im Vergleich zum herkömmlichen CSS-Schätzer aufweist.
Diese Arbeit stellt ein neues Konfidenzintervall für den AR-Parameter vor, das unabhängig von der Anfangsbedingung sowohl asymptotisch als auch in endlichen Stichproben eine korrekte Abdeckung garantiert und dabei robust gegenüber bedingter Heteroskedastizität ist, während es bei stationären oder festen Anfangsbedingungen nur geringfügig an Länge verliert.
Dieser Artikel stellt einen regularisierten Test vor, der die Portmanteau-Prüfung von Jasiak und Neyazi (2023) auf hochdimensionale, nicht-gaußsche Zeitreihen erweitert, um das Fehlen linearer und nichtlinearer serieller Abhängigkeiten zu überprüfen.
Diese Arbeit stellt ein neues ARCH-Framework für Daten in separablen Hilbert-Räumen vor, das die vollständige Entwicklung des bedingten Kovarianzoperators modelliert, und leitet für eine vereinfachte Variante stationäre Lösungen sowie konsistente Schätzer her, deren praktische Relevanz durch Simulationen und eine Anwendung auf hochfrequente intraday-Renditen demonstriert wird.
Dieses Papier stellt die Gimbal-Regression (GR) vor, ein deterministisches, geometriebewusstes lokales Regressionsverfahren, das durch explizite Orientierungsobjekte und geschlossene Lösungen numerische Instabilitäten bei der Schätzung räumlicher Heterogenität vermeidet und stabile, überprüfbare Ergebnisse liefert.
Diese Arbeit erweitert den Double-Machine-Learning-Schätzer auf makroökonomische Zeitreihen durch die Einführung von „Reverse Cross-Fitting" und einer neuen Kalibrierungsregel, um asymptotisch gültige und robuste Inferenzen auch bei endlichen Stichproben und Modellfehlern zu ermöglichen, was anhand einer Schätzung der dynamischen Effekte von Tier-1-Kapitalanforderungen demonstriert wird.
Diese Arbeit liefert eine einheitliche Theorie für die Schätzung und Inferenz von Funktionale auf „dünnen Mengen" (Submanigfaltigkeiten mit Maß null) und zeigt, dass die intrinsische Dimension der Submanigfaltigkeit die minimax-optimalen Konvergenzraten sowie die asymptotische Normalität von Teststatistiken maßgeblich bestimmt.
Diese Arbeit stellt einen korrekt zentrierten internen Instrumenten-Schätzer für lineare Clustermodelle mit hochdimensionalen Kontrollvariablen und komplexen Ausschlussrestriktionen vor, der eine robuste Inferenz ermöglicht und in einer Studie zu fiskalischen Interventionen in Kenia angewendet wird.
Diese Arbeit stellt eine Verbindung zwischen der robusten Bias-Korrektur und dem Bootstrap-Prepivoting her, um ein neues Verfahren zu entwickeln, das Konfidenzintervalle für nichtparametrische Regressionen und Regression-Discontinuity-Entwürfe um 17 % verkürzt, ohne die asymptotische Abdeckung zu beeinträchtigen.