55 articoli
Questo studio propone un metodo di identificazione robusto alla segnalazione strategica delle preferenze per derivare limiti precisi sugli effetti causali dell'assegnazione scolastica, applicandolo ai dati del meccanismo di ammissione universitaria in Cile per rivelare significative eterogeneità nel successo di laurea.
Questo paper sviluppa test di rottura strutturale basati sulla normalizzazione autonoma per rilevare cambiamenti nella capacità predittiva delle regressioni di CoVaR e quantili, garantendo validità sia per predittori stazionari che quasi-stazionari e dimostrando la loro efficacia empirica nel contesto del premio azionario e del rischio sistemico.
Questo articolo colma una lacuna teorica fornendo una dimostrazione formale della consistenza del coefficiente angolare dell'estimatore di massima verosimiglianza quasi-verosimile (QMLE) nei modelli di scelta binaria, confermando che la regressione logistica produce stime coerenti sotto le stesse condizioni identificate da Manski.
Questo studio analizza le dinamiche commerciali con fluttuazioni eterogenee, dimostrando attraverso dati provinciali cinesi che politiche monetarie e di innovazione migliorano la competitività delle esportazioni, mentre la cooperazione internazionale è essenziale per trasformare le fluttuazioni del mercato del lavoro in benefici per il commercio globale.
Il paper sostiene che, sebbene la motivazione etica alla base di una funzione di utilità che discrimina tra vite salvate evitando trattamenti dannosi e vite salvate somministrando trattamenti sia valida, la sua applicabilità pratica risulti limitata da specifici controesempi.
Questo articolo propone un nuovo framework semiparametrico basato su reti neurali strutturate e sull'apprendimento automatico doppio per stimare gli effetti dei trattamenti nelle piattaforme a due lati, risolvendo il problema del bias causato dall'interferenza algoritmica tra creatori che competono per l'esposizione.
Questo articolo sviluppa stimatori GMM e M e ne dimostra la consistenza e la normalità asintotica per dati dipendenti da reti, costruendo una nuova legge uniforme dei grandi numeri che estende i risultati di Kojevnikov, Marmer e Song (2021) e fornendo procedure pratiche per l'inferenza.
Il paper "TEA-Time" sviluppa un quadro metodologico per l'estrapolazione temporale degli effetti dei trattamenti, proponendo due strategie di identificazione e stimatori efficienti per calcolare l'effetto medio del trattamento trasportato (TATE) in periodi non sperimentati, come dimostrato da simulazioni e applicazioni su dati reali.
Il documento propone un quadro di calibrazione unificato che integra informazioni eterogenee, come dati ausiliari e modelli predittivi, negli esperimenti randomizzati adattivi ai covariati per ottenere stime più precise degli effetti del trattamento garantendo al contempo validità statistica e un'efficienza asintotica non inferiore.
Questo articolo propone un test Bayesiano basato su un fattore di Bayes e sulla verosimiglianza empirica esponenzialmente inclinata per verificare l'endogeneità nei modelli di regressione lineare, dimostrandone la consistenza asintotica e applicandolo a casi reali come la domanda di automobili e il volume dei passeggeri aerei.
Il documento fornisce una caratterizzazione analitica della flessibilità del metodo del controllo sintetico in termini di gradi di libertà, introducendo criteri di informazione stimabili che migliorano la selezione del modello rispetto alla convalida incrociata, come dimostrato dall'applicazione alla razionalizzazione delle targhe automobilistiche a Tianjin.
Questo articolo propone un nuovo stimatore CSS modificato (MCSS) per modelli ARFIMA che elimina il termine principale del bias causato dalla stima della costante, migliorando significativamente le prestazioni rispetto allo stimatore CSS tradizionale anche su campioni piccoli, come dimostrato sia teoricamente che tramite simulazioni e applicazioni a dataset classici.
Questo articolo propone un nuovo intervallo di confidenza per il parametro autoregressivo che garantisce una copertura robusta rispetto alla condizione iniziale e all'eteroschedasticità condizionale, sia in campioni finiti che asintoticamente, mantenendo al contempo una lunghezza quasi ottimale quando la condizione iniziale è stazionaria o fissa.
Questo articolo introduce un test regolarizzato per verificare l'assenza di dipendenza seriale lineare e non lineare in serie temporali non gaussiane ad alta dimensionalità, estendendo il test portmanteau di Jasiak e Neyazi (2023) a tale contesto.
Questo articolo propone un nuovo modello ARCH a livello di operatore per spazi di Hilbert che modella l'intera evoluzione dell'operatore di covarianza condizionale, fornendo condizioni di stazionarietà, stimatori coerenti e applicazioni pratiche su dati finanziari ad alta frequenza.
Il documento presenta la "Gimbal Regression", un framework di regressione locale deterministico e consapevole della geometria che garantisce stime stabili e verificabili in presenza di eterogeneità spaziale, risolvendo i problemi di instabilità numerica tipici dei metodi tradizionali.
Questo paper adatta l'estimatore Double Machine Learning ai dati macroeconomici temporali introducendo la "Reverse Cross-Fitting" e una regola di calibrazione per ridurre il bias, dimostrando la validità asintotica e l'efficacia pratica nell'analisi degli effetti dinamici dell'aumento del capitale regolamentare Tier 1.
Questo articolo stabilisce una teoria unificata per la stima e l'inferenza di funzionali identificati su insiemi "sottili" (subvarietà), dimostrando che la velocità di convergenza minimassa ottimale dipende criticamente dalla dimensione intrinseca della subvarietà e fornendo risultati di normalità asintotica per l'inferenza statistica.
Il documento propone un stimatore IV correttamente centrato per modelli di regressione lineare con dati in cluster e controlli ad alta dimensionalità, che gestisce restrizioni di esclusione complesse e dipendenze intra-cluster, fornendo procedure di inferenza robuste illustrate attraverso un intervento fiscale in Kenya.
Questo articolo stabilisce una nuova connessione tra la correzione robusta del bias e il prepivoting bootstrap per sviluppare un metodo di correzione che riduce la lunghezza degli intervalli di confidenza del 17% nella regressione non parametrica e nei disegni di discontinuità, mantenendo la copertura asintotica.