55 articles
Cet article propose une méthode d'identification robuste aux stratégies de déclaration des préférences pour estimer les effets causaux de l'affectation scolaire, en appliquant cette approche aux données du mécanisme d'admission universitaire au Chili afin de révéler une hétérogénéité significative dans la réussite des étudiants.
Cet article développe des tests de rupture structurelle robustes pour les régressions de CoVaR prédictif et de quantiles, basés sur l'autonormalisation, afin de détecter les changements dans le pouvoir prédictif des covariables que ce soit avec des prédicteurs stationnaires ou quasi-stationnaires.
Cet article comble une lacune théorique en fournissant une preuve formelle de la consistance de la pente de l'estimateur du maximum de vraisemblance partiel pour les modèles de choix binaires, confirmant ainsi que la régression logistique peut estimer de manière cohérente le coefficient de pente sous les mêmes conditions que celles identifiées par Manski.
Cet article propose deux chapitres modélisant les fluctuations hétérogènes des taux de change et du marché du travail pour analyser leur impact sur le commerce international, démontrant par des données provinciales chinoises que les politiques monétaires et l'innovation renforcent la compétitivité à l'exportation tandis que la coopération est essentielle pour que les fluctuations du marché du travail bénéficient au commerce global.
Bien que l'auteur ne remette pas en cause la motivation éthique d'une fonction d'utilité qui privilégie la non-imposition de traitements nuisibles, il démontre que son champ d'application pratique reste limité.
Cet article propose un cadre sémiparamétrique structuré combinant des modèles de choix algorithmique et de réponse des spectateurs, ainsi qu'une extension de l'apprentissage automatique double (DML), pour estimer sans biais les effets des traitements dans les marchés à deux faces où l'interférence algorithmique fausse les expériences randomisées classiques.
Cet article propose des estimateurs GMM et M ainsi que leurs propriétés asymptotiques pour des données dépendantes d'un réseau, en établissant une nouvelle loi des grands nombres uniforme qui garantit la consistance et la normalité asymptotique de ces estimateurs.
Ce papier propose un cadre méthodologique pour extrapoler les effets de traitement dans le temps en utilisant des essais répétés ou des bras de traitement communs, permettant d'estimer l'effet moyen de traitement transporté (TATE) grâce à des estimateurs doublement robustes et semi-paramétriquement efficaces.
Cet article propose un cadre d'étalonnage unifié pour intégrer de manière cohérente des informations hétérogènes, telles que des données externes ou des prédictions d'apprentissage automatique, dans les expériences randomisées adaptatives, garantissant ainsi une estimation plus précise des effets de traitement sans compromettre la validité asymptotique.
Cet article propose une méthode bayésienne fondée sur la vraisemblance empirique exponentiellement inclinée pour tester l'endogénéité dans les modèles de régression linéaire, démontrant la consistance fréquentiste de ce test et illustrant son application sur des données simulées et réelles concernant la demande automobile et le trafic aérien.
Ce papier propose une caractérisation analytique de la flexibilité du synthétique de contrôle sous forme de degrés de liberté et introduit des critères d'information estimables qui surpassent la validation croisée pour la sélection de modèles, comme démontré par l'évaluation du rationnement des plaques d'immatriculation à Tianjin.
Cet article propose un estimateur CSS modifié (MCSS) pour les modèles ARFIMA fractionnaires qui élimine le biais lié à l'estimation d'une constante, améliorant ainsi significativement les performances de l'estimation, même sur de petits échantillons, comme le démontrent les simulations et la réanalyse de données économiques et historiques classiques.
Cet article propose une nouvelle méthode d'inférence robuste aux conditions initiales pour les modèles autorégressifs, permettant d'obtenir des intervalles de confiance avec une couverture fiable même lorsque le paramètre est proche de l'unité ou que les erreurs présentent une hétéroscédasticité conditionnelle, tout en conservant une longueur compétitive dans les cas stationnaires.
Cet article propose un test régularisé pour vérifier l'absence de dépendance sérielle linéaire et non linéaire dans des séries temporelles non gaussiennes de grande dimension, en étendant le test de portemanteau de Jasiak et Neyazi (2023).
Cet article propose un nouveau cadre ARCH au niveau opérateur pour les données dans des espaces de Hilbert séparables, permettant de modéliser l'évolution complète de l'opérateur de covariance conditionnelle, et établit les propriétés théoriques de stationnarité ainsi que des estimateurs consistants pour ce modèle.
Cet article propose la régression Gimbal, un cadre de régression locale déterministe et géométriquement conscient qui améliore la stabilité numérique et la transparence diagnostique face à l'hétérogénéité spatiale et aux problèmes de conditionnement.
Cet article propose une adaptation de la double apprentissage automatique pour les séries temporelles macroéconomiques, introduisant une « rétro-croisement » déterministe et une règle de calibration pour améliorer l'efficacité et la robustesse de l'estimation des effets causaux, comme illustré par l'analyse de l'impact du capital réglementaire Tier 1.
Ce papier établit une théorie unifiée pour l'estimation et l'inférence des fonctionnels identifiés par des ensembles de mesure nulle, démontrant que la vitesse de convergence minimax optimale dépend de la dimension intrinsèque de la sous-variété selon le taux .
Cet article propose un estimateur IV centré et robuste pour les modèles linéaires à données groupées avec contrôles de haute dimension et restrictions d'exclusion complexes, dont l'efficacité est démontrée par une application à une intervention fiscale au Kenya.
Cet article établit un lien novateur entre la correction robuste du biais et le pré-pivoting par bootstrap pour proposer une procédure d'inférence non paramétrique qui réduit la longueur des intervalles de confiance de 17 % sans compromettre leur couverture asymptotique.