73 articles
Cet article développe des méthodes d'estimation et d'inférence pour un modèle macroéconomique avec équilibres comportementaux multiples et apprentissage à gain constant, en établissant la consistance et la normalité asymptotique des estimateurs, tout en proposant des procédures d'inférence et des bandes de confiance uniformes, même dans des cas où des solutions d'équilibre se répètent.
Cet article démontre que, dans un cadre de dépistage multidimensionnel séquentiel où les distributions des valuations satisfont certaines conditions d'ordre et d'invariance, le monopoleur peut extraire intégralement les rentes d'information en amont, ce qui rend optimal de proposer des mécanismes de dépistage séquentiel indépendants pour chaque bien, rationalisant ainsi les modèles commerciaux combinant frais d'adhésion et ventes séparées.
Cet article examine comment la nature des biens numériques, où la dégradation est sans coût, conduit un monopoleur à sous-investir dans la qualité et à distribuer des versions dégradées, tandis que la concurrence aggrave cette sous-investissement mais améliore l'efficacité distributive.
Cet article établit des taux de convergence généraux et précis pour les statistiques d'ordre induites sous des hypothèses de régularité faibles, permettant d'approximer les distributions conditionnelles tant aux points intérieurs qu'aux frontières, ce qui est essentiel pour des applications comme les designs de régression par discontinuité.
Cet article présente ForeComp, un package R permettant de comparer la précision prédictive à l'aide de tests de type Diebold-Mariano avec des inférences à lissage fixe, incluant des outils de diagnostic visuel et des illustrations empiriques.
Cet article propose un cadre unifié pour l'analyse contrefactuelle dans les modèles incomplets sous restrictions de support et de moments, démontrant que l'identification et l'analyse contrefactuelle sont des tâches isomorphes et justifiant l'utilisation de la méthode de la fonction de support au-delà des conditions de bornitude intégrable habituelles.
Cet article propose une transformation « à risque » des prédicteurs en indicateurs binaires, démontrant que cette approche améliore significativement la prédiction des récessions américaines par rapport aux variables continues, rendant même les modèles linéaires compétitifs face aux méthodes d'apprentissage automatique.
Cet article propose une nouvelle stratégie d'identification pour estimer les effets moyens du traitement sur les traités dans des données de panel à résultats discrets, en remplaçant l'hypothèse de tendances parallèles par l'hypothèse d'indépendance des transitions et un modèle de Markov à types latents pour mieux capturer l'hétérogénéité non observée.
Cet article propose un modèle théorique démontrant que la stratégie rhétorique de la « tu quoque » (whataboutism) exacerbe les discours offensifs et peut entraîner l'effondrement total des normes de civilité, en particulier au sein des sociétés polarisées.
Cet article propose un cadre d'apprentissage en ligne pour les modèles d'index monotones semiparamétriques, combinant une phase de démarrage chaud stable et une phase rate-optimal utilisant des scores orthogonaux et une méthode de tamis en ligne, permettant ainsi une estimation et une inférence efficaces sur des flux de données sans nécessiter de stockage complet.
Cet article propose une méthode d'identification traitable pour les modèles de formation de réseaux stratégiques comportant des hétérogénéités individuelles non observées, en utilisant une technique de « bornes par » et des restrictions basées sur des sous-graphes pour contourner les difficultés liées à l'équilibre du réseau.
Cet article examine les conditions d'existence des estimateurs du maximum de vraisemblance pour une large classe de modèles linéaires généralisés, démontre que certains paramètres peuvent rester cohérents même en cas d'échec de ces conditions, et propose des méthodes pour vérifier ces conditions dans des modèles à haute dimension comme les données de panel avec effets fixes multiples.
Cet article présente un cadre probabiliste bayésien unifié utilisant une régression à indicateurs saturés et une prior spike-and-slab pour identifier des ruptures structurelles dans les données longitudinales, démontrant une supériorité sur les approches fréquentistes et appliquant cette méthode à l'évaluation des politiques climatiques dans le secteur du transport routier européen.