基于双惩罚分位回归的面板数据模型理论与实证研究

摘要：

固定效应和随机效应同时选择是面板数据模型研究中的重要问题之一。本文通过分别对固定效应和随机效应引入条件 Laplace 先验，提出了一种新的贝叶斯双惩罚分位回归法。该方法不仅能对模型中重要解释变量进行自动选择，而且充分考虑到个体随机波动对解释变量系数估计带来的偏差。通过对方差分量的惩罚压缩，减少了模型中未知参数的个数，提高了模型自由度。Monte Carlo 模拟及实证分析显示，所提出的方法不仅能准确估计出固定效应系数，而且能精确地捕捉到个体随机效应的波动。

关键词：面板数据、分位回归、贝叶斯分析、固定效应、随机效应、变量选择、Laplace先验

所属期刊栏目：39

分类号：O212;F064.1(概率论与数理统计)

资助基金：国家自然科学基金资助项目11271368;教育部人文社会科学研究青年基金资助项目13YJC790105;湖北工业大学博士科研启动基金资助项目BSQD13050

在线出版日期：2016-12-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：462-467