©Springer“最终出版物可在Springer通过http://dx.doi.org/10.1007/s00180-014-0549-3
计算统计,2015年9月,第30卷,第3期,第885-906页
最近,一些新技术被提出用于估计半参数固定效应变系数面板数据模型。这些新技术属于所谓的差分估计器的范畴。特别地,我们考虑了一阶差分和局部线性回归估计。分析它们的渐近性质,结果表明,在保持偏差项的数量级不变的情况下,这些估计量的方差具有不同的渐近界。在这两种情况下,结果都是次优的非参数收敛速度。为了解决这个问题,利用该模型的可加性结构,提出了一种一步修正算法。结果表明,在相当一般的条件下,所得到的估计量显示出最优的收敛速度,并表现出预言效率的性质。由于这两个估计量都是渐近等价的,因此分析它们在小样本中的行为是很有意义的。在完全参数环境下,众所周知,在严格的外生性假设下,一阶差分和内估计量的性能将取决于特殊随机误差的随机结构。然而,在非参数设置中,除了前面的问题外,维度或样本大小等其他因素也非常重要。特别是,我们有兴趣了解不同场景下它们的相对平均均方误差。仿真结果基本证实了局部线性回归和一步逆估计的理论结果。然而,我们发现,内估计值对时间观测值的大小相当敏感。