[论文解读] Inference in Unbalanced Panel Data Models with Interactive Fixed Effects

Daniel Czarnowske, Amrei Stammann|ArXiv.org|Apr 7, 2020

Spatial and Panel Data Analysis参考文献 44被引用 4

一句话总结

本文研究了在具有随机缺失观测值的不平衡面板数据中，[7] 所提出的交互固定效应（IFE）估计量的有限样本性能。通过模拟实验，发现 [b2009mw2017] 的推断理论在缺失数据条件下仍为合理近似，尽管缺失比例和缺失模式会影响估计量的表现。研究证实，在采用更一般的不可观测异质性结构时，民主化对经济增长具有显著影响。

ABSTRACT

We derive the asymptotic theory of Bai (2009)'s interactive fixed effects estimator for unbalanced panels in which the source of attrition is conditionally random. For inference, we propose a method of alternating projections algorithm based on straightforward scalar expressions to compute the residualized variables required for bias correction and covariance matrix estimation. Simulation experiments confirm that our asymptotic results provide reliable finite-sample approximations. We also reassess Acemoglu et al. (2019). Allowing for a more general form of unobserved heterogeneity, we confirm significant effects of democratization on economic growth.

研究动机与目标

• 评估在不平衡面板中随机缺失数据条件下，[7] 所提出的 IFE 估计量的有限样本行为。
• 评估当数据不平衡且存在缺失时，[b2009mw2017] 的现有推断理论是否仍然有效。
• 利用 IFE 估计量重新评估 [1] 的基准分析，以纳入更一般的不可观测异质性结构。
• 研究缺失数据的比例和模式如何影响估计量性能和推断结果。

提出的方法

• 本研究采用模拟实验，评估在各种缺失数据机制和模式下，不平衡面板中 IFE 估计量的表现。
• 应用 [7] 和 [9] 提出的基于 EM 算法的数据增广方法，处理因子载荷和共同因子主成分估计中的缺失数据。
• 使用 [b2009mw2017] 的推断理论，近似不平衡且存在缺失数据情境下 IFE 估计量的抽样分布。
• 将 IFE 估计量应用于 [1] 的数据集，重新估计民主化对经济增长影响，允许通过交互固定效应捕捉复杂的不可观测异质性。
• 比较 IFE 估计量在不同缺失数据比例和模式下的表现，包括随机缺失和非忽略缺失。
• 使用最小距离估计量和核范数松弛作为扩展，以验证稳健性并探索替代估计策略。

实验结果

研究问题

• RQ1 在不平衡面板中存在随机缺失数据时，基于平衡面板推导出的 IFE 估计量的推断理论是否仍然有效？
• RQ2 缺失数据的比例和模式如何影响 IFE 估计量的有限样本性能？
• RQ3 当不可观测异质性被建模为交互固定效应时，IFE 估计量能否可靠检测出民主化对经济增长的显著影响？
• RQ4 在存在缺失数据的情况下，通过 EM 算法进行的数据增广在多大程度上能保持估计量的性质？
• RQ5 不同的缺失数据机制（如 MCAR、MAR）如何影响基于 IFE 估计量的假设检验的大小和功效？

主要发现

• 即使在不平衡面板中存在缺失数据的情况下，[b2009mw2017] 的推断理论仍能为 IFE 估计量的抽样分布提供合理近似。
• IFE 估计量的有限样本性能对缺失数据的比例和模式均敏感，缺失比例越高、缺失模式越非随机，估计偏差和大小扭曲越明显。
• 当应用于 [1] 的数据集时，IFE 估计量成功捕捉到民主化对经济增长的显著影响，证实了在更一般的不可观测异质性结构下，基准结果依然成立。
• IFE 估计量中的基于 EM 的数据增广步骤在缺失数据条件下保持了一致性，但插补带来的额外不确定性会影响有限样本推断。
• 核范数松弛估计量提供了一致的替代方案，但收敛速度较慢；然而，迭代后处理可恢复原始 IFE 估计量的渐近性质。
• 本研究强调，亟需建立一种正式的推断理论，以考虑缺失数据情境中数据增广引入的不确定性。