مقاله شناسایی مدلهای پانل غیرخطی پویا تحت ثبات جزئی

چکیده

This paper studies identification for a wide range of nonlinear panel data models, including binary choice, ordered repsonse, and other types of limited dependent variable models. Our approach accommodates dynamic models with any number of lagged dependent variables as well as other types of (potentially contemporary) endogeneity. Our identification strategy relies on a partial stationarity condition, which not only allows for an unknown distribution of errors but also for temporal dependencies in errors. We derive partial identification results under flexible model specifications and provide additional support conditions for point identification. We demonstrate the robust finite-sample performance of our approach using Monte Carlo simulations, and apply the approach to analyze the empirical application of income categories using various ordered choice models.

چکیده به فارسی (ترجمه ماشینی)

این مقاله به بررسی طیف گسترده ای از مدل های داده پانل غیرخطی ، از جمله انتخاب باینری ، repsonse سفارش داده شده و سایر انواع مدل های متغیر وابسته محدود می پردازد.رویکرد ما مدل های پویا را با هر تعداد متغیرهای وابسته به تاخیر و همچنین انواع دیگر درون زا (بالقوه معاصر) در خود جای داده است.استراتژی شناسایی ما به یک وضعیت ثابت بودن جزئی متکی است ، که نه تنها امکان توزیع ناشناخته خطاها بلکه برای وابستگی های زمانی در خطاها را نیز فراهم می کند.ما نتایج شناسایی جزئی را تحت مشخصات مدل انعطاف پذیر استخراج می کنیم و شرایط پشتیبانی اضافی را برای شناسایی نقطه ارائه می دهیم.ما عملکرد قوی نمونه محدود رویکرد خود را با استفاده از شبیه سازی مونت کارلو نشان می دهیم و از رویکرد برای تجزیه و تحلیل کاربرد تجربی دسته های درآمد با استفاده از مدلهای مختلف انتخاب شده استفاده می کنیم.