[论文解读] Standard Errors for Panel Data Models with Unknown Clusters

Jushan Bai, Sung Hoon Choi+1 more|arXiv (Cornell University)|Oct 16, 2019

Spatial and Panel Data Analysis参考文献 22被引用 4

一句话总结

本文提出了一种适用于线性面板数据模型的稳健标准误估计量，可处理未知的横截面依赖性、序列相关性和异方差性，且无需已知聚类结构。该方法结合了Newey-West截断法以控制序列相关性，并对误差协方差矩阵进行阈值化处理，从而在弱横截面依赖条件下实现一致性，即使在未观测到聚类结构时也能实现有效的推断。

ABSTRACT

This paper develops a new standard-error estimator for linear panel data models. The proposed estimator is robust to heteroskedasticity, serial correlation, and cross-sectional correlation of unknown forms. The serial correlation is controlled by the Newey-West method. To control for cross-sectional correlations, we propose to use the thresholding method, without assuming the clusters to be known. We establish the consistency of the proposed estimator. Monte Carlo simulations show the method works well. An empirical application is considered.

研究动机与目标

• 开发一种适用于面板数据模型的标准误估计量，即使在聚类结构未知或未观测到时仍保持有效性。
• 解决传统聚类标准误方法的局限性，后者要求已知聚类结构，且在未知横截面依赖性时可能产生偏差。
• 提供一种对异方差性、序列相关性和一般形式的横截面相关性均具有鲁棒性的方法，且无需参数假设。
• 在横截面相关性呈弱依赖性和稀疏性条件下，建立所提估计量的渐近一致性。
• 通过蒙特卡洛模拟和对美国离婚法改革的实证应用，展示该方法在有限样本下的表现。

提出的方法

• 使用Newey-West方法并设定截断滞后阶数L，以控制误差结构中的序列相关性。
• 对误差的横截面协方差矩阵应用阈值化处理，假设真实协方差结构具有稀疏性。
• 采用基于Bickel和Levina（2008）方法的数据驱动阈值规则，以在无需已知聚类结构的情况下估计协方差矩阵。
• 将Newey-West估计量与阈值化估计量结合，形成适用于固定效应OLS的统一稳健方差估计量。
• 在弱依赖性和高维横截面相关性条件下，推导该估计量的渐近分布。
• 使用正则化技术（带状化和阈值化）以在大N、大T面板中一致估计高维协方差矩阵。

实验结果

研究问题

• RQ1 能否开发一种标准误估计量，使其在面板数据聚类结构未知时仍保持有效性？
• RQ2 如何在不假设已知聚类结构或参数形式的前提下，一致估计横截面依赖性？
• RQ3 结合Newey-West方法与阈值化方法是否能在一般形式的异方差性和序列相关性下，产生一致且稳健的方差估计量？
• RQ4 与传统聚类标准误相比，所提估计量在有限样本下的表现如何？
• RQ5 该方法能否在聚类成员关系未被观测到的实际研究情境中有效应用？

主要发现

• 所提标准误估计量在一般形式的异方差性、序列相关性和未知横截面依赖性下具有一致性。
• 即使当横截面单位数N和时间期数T均趋于无穷大时，该估计量仍保持一致性，且无需已知聚类结构。
• 蒙特卡洛模拟显示，该估计量在有限样本中表现良好，置信区间覆盖概率接近名义水平。
• 阈值化方法能有效捕捉横截面协方差矩阵中的稀疏性，在弱依赖条件下降低估计误差。
• 即使所有横截面单位均存在相关性，该方法仍保持稳健性，避免产生不必要的宽泛置信区间。
• 对美国离婚法改革的实证应用表明，当由于未知聚类结构导致传统聚类标准误可能失效时，该方法仍能提供可靠的推断结果。