跳转至

Inference for Fixed Effects Estimators when Panels are Unbalanced

作者: Daniel Czarnowske, Amrei Stammann
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.10246

一、领域脉络与小综述

这个方向是什么

这个子方向研究的是面板数据中双向固定效应（two-way fixed effects）M-估计量的推断问题，核心挑战是“偶然参数问题”（incidental parameter problem）：当横截面单元数 \(N\) 和时间期数 \(T\) 都很大时，个体效应 \(\alpha_i\) 和时间效应 \(\gamma_t\) 的个数（\(N+T\)）随样本量增长，导致对共同参数 \(\beta\) 的 MLE/M-估计量产生 \(O(T^{-1})\) 和 \(O(N^{-1})\) 量级的偏差，使得标准推断失效。该方向当前已相当成熟，但绝大多数理论工作假设面板是平衡的（balanced panel），即每个 \((i,t)\) 组合都被观测到。本文试图填补的缺口是：当面板因样本选择或损耗而非平衡（unbalanced）时，偏差结构如何变化，以及如何构造有效的偏差校正。

发展脉络

  • 奠基工作：Neyman and Scott (1948) 首次识别了偶然参数问题；Nickell (1981) 在动态线性面板模型中具体刻画了偏差。这两篇奠定了“固定效应估计存在 \(O(1/T)\) 偏差”这一基本认识。
  • 主要进展（偏差校正方法）：Hahn and Newey (2004) 提出了分析校正和刀切校正；Dhaene and Jochmans (2015) 提出了分裂面板刀切法（split-panel jackknife）。这些方法主要针对单向固定效应（仅个体效应）。
  • 双向固定效应：Fernández-Val and Weidner (2016) 是本文最直接的先驱。他们首次为双向固定效应模型（同时含个体和时间效应）建立了渐近理论，推导了偏差的显式表达式，并提出了分析校正和分裂面板刀切校正。他们的设定允许回归量是严格外生或预确定的，但假设面板是平衡的。
  • 当前 frontier 与本文位置：Fernández-Val and Weidner (2018) 在综述中猜想（conjecture）了非平衡面板下偏差表达式的形式，但未严格证明，且假设选择过程满足条件独立性。本文严格证明了非平衡面板下双向固定效应 M-估计量的渐近分布，将选择过程放宽到条件均值限制，并首次识别了由预确定的选择过程导致的“反馈偏差”（feedback bias）。本文还指出，Fernández-Val and Weidner (2018) 的一个猜想正则性条件（关于期望偶然参数 Hessian 的可逆性）是不充分的，需要加强。

子线索聚类

这些被引文献大致落在三条子线索上：

  1. 双向固定效应模型的偏差校正（核心线索）：Fernández-Val and Weidner (2016, 2018) 是主线，Jochmans and Otsu (2019) 提供了基于似然校正的替代方法。本文直接建基于此。
  2. 特定模型或设定下的专门方法：Graham (2017), Yan et al. (2018), Dzemski (2019), Hughes (2026) 等聚焦于 logit 或网络模型，通常假设回归量严格外生。这些工作处理了更复杂的依赖结构（如网络），但牺牲了模型的一般性。
  3. 非平衡面板下的交互固定效应模型：Su, Wang, and Wang (2026) 和 Czarnowske and Stammann (2026b) 研究了交互固定效应（interactive fixed effects）模型在非平衡面板下的推断。这与本文的加法固定效应模型不同，但共享“非平衡”这一核心挑战。

这个方向在追问的核心问题

  1. 偏差结构：在非平衡面板下，偶然参数偏差的表达式是什么？它如何依赖于选择过程（deterministic vs. stochastic）？
  2. 反馈偏差：当回归量或选择过程是预确定时，是否会产生额外的偏差？如何校正？
  3. 校正方法：分析校正和刀切校正（如 split-panel jackknife）在非平衡面板下是否仍然有效？后者是否需要更强的同质性假设？
  4. 方差估计：非平衡面板是否引入额外的异方差性？如何构造一致的方差估计量？

已知瓶颈：分析校正需要估计高阶矩和谱密度，涉及带宽选择；刀切校正依赖于子样本的同质性，这在非平衡面板下可能被违反。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者声称本文是“第一个完整的理论分析”（the first complete theoretical analysis），将选择过程从条件独立性放宽到条件均值限制，并首次识别了由预确定选择过程导致的反馈偏差。作者将本文定位为 Fernández-Val and Weidner (2016) 从平衡面板到非平衡面板的“显然的下一步”。
  • 哪些竞争路线被他淡化或回避了：作者在 Remark 4 中明确指出了 jackknife 校正（包括 Fernández-Val and Weidner 2016 的 split-panel jackknife 和 Higgins 2026 的 jackknife \(t_q\)-statistic）需要无条件同质性假设（unconditional homogeneity），而本文的分析校正不需要。这实际上是在暗示 jackknife 方法在非平衡面板下可能失效（模拟也证实了这一点）。作者淡化了 jackknife 方法的“自动性”和“计算简便性”优势。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 本文的参考文献列表很全面，涵盖了该方向的主要工作。未见明显缺失。但值得注意的是，作者引用了自己的另一篇工作 Czarnowske and Stammann (2026a) 来处理三维面板和网络数据，这暗示了本文方法的一个自然推广方向。

张力

未见明显对立引用。所有被引工作基本都认同“双向固定效应估计存在偏差，需要校正”这一共识，分歧主要在于校正方法的选择和适用条件。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
  • \(i = 1, \dots, N\)：横截面单元（个体）。
  • \(t = 1, \dots, T\)：时间期数。
  • \(y_{it}\)：结果变量（可观测）。
  • \(x_{it}\)：\(K\)-维预确定回归量向量（可观测）。
  • \(s_{it} \in \{0, 1\}\)：选择指示变量，\(s_{it}=1\) 表示 \((y_{it}, x_{it})\) 被观测到（可观测）。
  • \(d_{it} \in \{0, 1\}\)：设计指示变量，\(\Phi\)-可测（不可观测，但由模型假设决定其性质）。
  • \(r_{it} \in \{0, 1\}\)：响应指示变量，随机（不可观测，但由模型假设决定其性质）。\(s_{it} = d_{it} r_{it}\)。
  • \(\alpha_i\)：个体固定效应（不可观测，待估参数）。
  • \(\gamma_t\)：时间固定效应（不可观测，待估参数）。
  • \(\beta\)：\(K\)-维共同参数（待估参数，核心目标）。
  • \(\phi = (\alpha', \gamma')'\)：\(L = N+T\) 维偶然参数向量。
  • \(\pi_{it}(\beta, \mu) = x_{it}'\beta + \mu\)：线性指标。
  • \(\mu_{it}(\phi) = \alpha_i + \gamma_t\)：加法固定效应。

  • \(\Phi\)：由所有不可观测效应和初始条件生成的 \(\sigma\)-代数。

  • 模型：

  • 条件均值模型：\(\mathbb{E}[y_{it} \mid \mathcal{C}_i^t, \beta, \phi] = g(\pi_{it}(\beta, \mu_{it}(\phi)))\)，其中 \(\mathcal{C}_i^t = \sigma(\{(x_{it'}, r_{it'}): t' \le t\})\) 是到时间 \(t\) 为止的信息集。\(g(\cdot)\) 是已知的连接函数。
  • 准则函数：M-估计量通过最小化 \(L_{NT}(\beta, \phi) = \frac{1}{\sqrt{NT}} \sum_{i=1}^N \sum_{t=1}^T s_{it} \psi_{it}(\pi_{it}(\beta, \mu_{it}(\phi))) + P_{NT}(\phi)\) 得到。\(\psi_{it}(\pi)\) 的伪得分满足 \(\partial \psi_{it}(\pi)/\partial \pi = w(\pi)(g(\pi) - y_{it})\)，即它是条件均值的“自然”得分函数。\(P_{NT}(\phi)\) 是惩罚项，用于施加标准化 \(\sum_i \alpha_i = \sum_t \gamma_t = 0\)。

  • 关键假设：回归量 \(x_{it}\) 和响应指示变量 \(r_{it}\) 是预确定的（predetermined），即它们可以依赖于过去的结果，但不能依赖于当期或未来的结果。选择过程可以是确定性的（\(r_{it}=1\)）、随机的（\(d_{it}=1\)）或混合的。

  • 可观测数据：研究者实际能观测到的是三元组 \(\{(y_{it}, x_{it}, s_{it}): i=1,\dots,N, t=1,\dots,T\}\)。当 \(s_{it}=0\) 时，\(y_{it}\) 和 \(x_{it}\) 缺失。研究者无法观测到：

  • 个体效应 \(\alpha_i\) 和时间效应 \(\gamma_t\)（它们是待估参数）。
  • 设计指示变量 \(d_{it}\) 和响应指示变量 \(r_{it}\) 的分离（只能观测到它们的乘积 \(s_{it}\)）。
  • 潜在结果（counterfactual outcomes），即如果 \(s_{it}=1\) 但实际未观测到的情况。
  • 选择过程的完整机制（只能通过假设来识别）。

第二步：讲最小内核

本文的核心思路可以用一个最简特例来理解：线性模型（OLS）、严格外生回归量、确定性选择。

  • 特例设定：
  • \(g(\pi) = \pi\)（线性模型），\(w(\pi) = 1\)，则 \(\psi_{it}(\pi) = (y_{it} - \pi)^2 / 2\)。
  • 回归量 \(x_{it}\) 是严格外生的（strictly exogenous），即 \(\mathbb{E}[y_{it} \mid x_{i1}, \dots, x_{iT}, \alpha_i, \gamma_t] = x_{it}'\beta + \alpha_i + \gamma_t\)。

  • 选择过程是确定性的：\(r_{it} = 1\) 对所有 \(i,t\) 成立，因此 \(s_{it} = d_{it}\)。\(d_{it}\) 是 \(\Phi\)-可测的，例如，个体 \(i\) 的进入和退出时间完全由 \(\alpha_i\) 决定。

  • 在这个特例下，问题退化成什么？

  • 模型退化为：\(y_{it} = x_{it}'\beta + \alpha_i + \gamma_t + \varepsilon_{it}\)，其中 \(\mathbb{E}[\varepsilon_{it} \mid X, \alpha, \gamma] = 0\)。
  • 估计量是带个体和时间虚拟变量的 OLS（LSDV 估计量），但只使用 \(s_{it}=1\) 的观测。

  • 偏差来源：由于 \(d_{it}\) 依赖于 \(\alpha_i\)，面板是非平衡的。LSDV 估计量 \(\hat{\beta}\) 仍然有偏差，但偏差结构比平衡面板更复杂。

    • 偶然参数偏差：来自 \(\alpha_i\) 和 \(\gamma_t\) 的估计。在平衡面板下，这个偏差是 \(O(T^{-1}) + O(N^{-1})\)。在非平衡面板下，偏差的表达式依赖于 \(d_{it}\)。
    • 反馈偏差：在这个特例中，由于回归量严格外生且选择过程是确定性的，没有反馈偏差。反馈偏差的出现需要回归量或选择过程是预确定的。

  • 核心思路（在这个特例下）：

  • 写出 LSDV 估计量的一阶条件：\(\hat{\beta}\) 满足 \(\sum_{i,t} s_{it} x_{it} (y_{it} - x_{it}'\hat{\beta} - \hat{\alpha}_i - \hat{\gamma}_t) = 0\)。
  • 对 \(\hat{\alpha}_i\) 和 \(\hat{\gamma}_t\) 进行“剖面”展开：将 \(\hat{\alpha}_i\) 和 \(\hat{\gamma}_t\) 表示为 \(\hat{\beta}\) 和数据的函数，代入一阶条件。
  • 识别偏差项：展开后，\(\hat{\beta}\) 的渐近分布会偏离零中心，偏差项由两部分组成：
    • \(B_{\alpha, \infty}\)：来自个体效应 \(\alpha_i\) 的估计，量级为 \(O(T^{-1})\)。其表达式包含 \(\sum_{t} \mathbb{E}[s_{it} \tilde{x}_{it} (d^2\psi)_{it}]\) 等项，其中 \(\tilde{x}_{it}\) 是 \(x_{it}\) 对个体和时间虚拟变量做加权最小二乘投影后的残差。
    • \(B_{\gamma, \infty}\)：来自时间效应 \(\gamma_t\) 的估计，量级为 \(O(N^{-1})\)。

  • 构造校正估计量：\(\tilde{\beta} = \hat{\beta} + \hat{W}^{-1}(T^{-1} \hat{B}_\alpha + N^{-1} \hat{B}_\gamma)\)，其中 \(\hat{W}\) 是渐近方差的估计，\(\hat{B}_\alpha\) 和 \(\hat{B}_\gamma\) 是偏差项的样本模拟。校正后，\(\tilde{\beta}\) 的渐近分布中心化为零。

  • 为什么这个特例抓住了核心？ 即使在这个最简单的设定下，非平衡面板也使得偏差表达式依赖于选择过程 \(d_{it}\)，并且使得 jackknife 校正（依赖于子样本同质性）可能失效。本文的一般性在于：将上述思路推广到非线性连接函数 \(g(\cdot)\)、预确定回归量和预确定选择过程（引入反馈偏差），并给出了严格的证明。

三、这篇论文做了什么

  • 三句话：
  • 研究了什么问题：在 \(N, T\) 同时增长的渐近框架下，推导了非平衡面板数据中双向固定效应 M-估计量的渐近分布，并提出了同时校正偶然参数偏差和反馈偏差的分析校正方法。
  • 核心工具 / 方法：基于 Legendre 变换和泰勒展开对剖面目标函数进行渐近展开，识别偏差项；使用截断谱密度估计量（truncated spectral-density estimator）估计由预确定变量引起的长期方差；构造分析偏差校正估计量。

  • 主要结论：未校正的估计量是渐近正态但非零中心的；校正后的估计量是渐近正态且中心化的，且渐近方差与未校正的相同；方差估计量是一致的。模拟实验验证了有限样本性能，并展示了 jackknife 校正因违反同质性假设而失效。

  • 关键设定与假设：

  • 设定：见第二节“最小内核”中的符号和模型。本文考虑的是一般的 M-估计量，准则函数 \(\psi\) 由连接函数 \(g\) 和权重 \(w\) 决定，涵盖 OLS、Probit、Logit、Poisson 等常见模型。

  • 假设（Assumption 1）：

    • (i) 渐近框架：\(N, T \to \infty\) 且 \(N/T \to \tau \in (0, \infty)\)。这是双向固定效应模型的标准框架。
    • (ii) 抽样：给定 \(\Phi\)，个体间独立；个体内是 \(\alpha\)-混合的（强混合），混合系数以多项式速率衰减。关键：不要求 \(r_{it}\) 与 \((y_{it}, x_{it})\) 条件独立（即不假设随机缺失 MAR），这比 Fernández-Val and Weidner (2018) 的猜想更弱。
    • (iii) 模型：条件均值限制 \(\mathbb{E}[y_{it} \mid \mathcal{C}_i^t] = g(\pi_{it}(\beta^0, \mu_{it}^0))\)。关键：回归量和响应指示变量是预确定的，允许与过去结果相关。
    • (iv) 光滑性与矩：准则函数四阶连续可导，且存在一个控制函数 \(\Psi\) 其 \(\delta\) 阶矩一致有界（\(\delta \ge 6 + \nu\)）。这比 Fernández-Val and Weidner (2016) 的 \(\delta = 8 + \nu\) 更灵活。
    • (v) 凸性：期望二阶导数的条件期望一致有正下界（确保局部严格凸性）；广义非共线性条件（确保 \(\beta\) 可识别）。
    • (vi) 设计：对 \(\Phi\)-可测的设计部分施加两个条件：每个个体被观测的时间比例一致有正下界；任意两个时间点共享的个体比例一致有正下界（连通性条件，防止 \(\alpha\) 和 \(\gamma\) 的块状识别问题）。

  • 主要结果：

  • Theorem 1（未校正估计量的渐近分布）：\(\sqrt{NT}(\hat{\beta} - \beta^0) \xrightarrow{d} \mathcal{N}(-\tau^{1/2} W_\infty^{-1} B_{\alpha,\infty} - \tau^{-1/2} W_\infty^{-1} B_{\gamma,\infty}, W_\infty^{-1} \Sigma_\infty W_\infty^{-1})\)。
    • 直觉：偏差由两个部分组成，分别来自个体效应（\(B_{\alpha,\infty}\)，量级 \(O(T^{-1})\)）和时间效应（\(B_{\gamma,\infty}\)，量级 \(O(N^{-1})\)）的估计。
    • 必要条件：Assumption 1 成立，且极限存在。
    • 解决的技术难点：在非平衡面板下，偏差表达式依赖于选择过程，且 \(B_{\alpha,\infty}\) 中包含一个由预确定变量引起的“反馈偏差”项（\(B_{\alpha,\infty}^\star\)），这在平衡面板下不存在。作者严格推导了这些表达式。

  • Theorem 2（校正后估计量的渐近分布）：\(\sqrt{NT}(\tilde{\beta} - \beta^0) \xrightarrow{d} \mathcal{N}(0, W_\infty^{-1} \Sigma_\infty W_\infty^{-1})\)，其中 \(\tilde{\beta} = \hat{\beta} + \hat{W}^{-1}(T^{-1} \hat{B}_\alpha + N^{-1} \hat{B}_\gamma)\)。

    • 直觉：分析校正通过减去偏差的估计量来中心化渐近分布，且不改变渐近方差。
    • 必要条件：Assumption 1 成立，且带宽 \(h \asymp T^\zeta\) 满足 \(\zeta \in (0, (\kappa-1)/(2\kappa))\)。
    • 解决的技术难点：证明 \(\hat{B}_\alpha\) 和 \(\hat{B}_\gamma\) 是 \(B_{\alpha,\infty}\) 和 \(B_{\gamma,\infty}\) 的一致估计。这需要处理由预确定变量引起的序列相关性，作者使用了截断谱密度估计量，并给出了带宽选择的条件。同时，需要证明 \(\hat{W}\) 和 \(\hat{\Sigma}\) 是一致的。

  • 证明路线与技术技巧：

  • 整体路线：
    1. 剖面目标函数展开：利用 Legendre 变换，将 \(\hat{\phi}(\beta)\) 表示为 \(\beta\) 的函数，代入目标函数得到剖面目标函数 \(\mathcal{L}_{NT}(\beta, \hat{\phi}(\beta))\)。然后对 \(\partial \mathcal{L}_{NT}(\beta, \hat{\phi}(\beta)) / \partial \beta\) 在 \(\beta^0\) 附近进行四阶泰勒展开（Lemma S.1）。
    2. 识别主项和偏差项：展开式中的主项是 \(U_1\)（一个鞅差序列和）和 \(\sqrt{NT} W (\beta - \beta^0)\)。偏差项来自 \(U_2\) 和 \(U_3\)，它们分别对应偶然参数偏差和反馈偏差。证明其余高阶项（\(R^{(1)}(\beta)\)）是 \(o_P(1)\) 或 \(o_P(\sqrt{NT} \|\beta - \beta^0\|_2)\)。
    3. 证明估计量的一致性：利用凸性条件和主项展开，证明 \(\|\hat{\beta} - \beta^0\|_2 = O_P((NT)^{-1/2})\)（Theorem 4）。
    4. 推导渐近分布：将 \(\hat{\beta}\) 代入展开式，得到 \(\sqrt{NT}(\hat{\beta} - \beta^0) = -W^{-1} U + o_P(1)\)。然后证明 \(U\) 的渐近分布是均值为偏差项、方差为 \(\Sigma_\infty\) 的正态分布。对 \(U_1\) 应用鞅差序列的 CLT（Lemma 1），对偏差项 \(U_2, U_3\) 证明其依概率收敛到常数。
    5. 构造并证明校正估计量：构造偏差和方差的样本模拟（\(\hat{B}_\alpha, \hat{B}_\gamma, \hat{W}, \hat{\Sigma}\)），证明它们是一致的（Theorem 5）。然后证明校正后的估计量 \(\tilde{\beta}\) 的渐近分布中心化为零。
  • 关键跳跃点：
    • 处理反馈偏差：\(B_{\alpha,\infty}\) 中的反馈偏差项 \(B_{\alpha,\infty}^\star\) 涉及一个双求和 \(\sum_{t=1}^T \sum_{t'=t}^T \mathbb{E}[s_{it'} \tilde{x}_{it'} (d^2\psi)_{it'} s_{it} (d^1\psi)_{it}]\)。证明其样本模拟 \(\hat{B}_{\alpha,1}\) 的一致性需要处理序列相关性，作者使用了截断谱密度估计量，并利用 \(\alpha\)-混合性质（Lemma S.4, S.5）来控制截断误差。
    • 处理非平衡设计：证明期望 Hessian \(\bar{H}\) 的可逆性（Lemma 2(ii)）在非平衡设计下需要新的论证。作者通过一个连通性引理（Lemma S.2）来保证。
    • 处理高阶展开的余项：证明所有高阶泰勒余项（\(R^{(1)}(\beta)\)）都是 \(o_P(1)\) 需要精细的范数估计，作者使用了矩阵范数不等式（Lemma S.3）和混合矩不等式（Lemma S.5, S.6）。

  • 技术技巧点名：

    • Legendre 变换：用于将约束优化问题转化为无约束问题，便于泰勒展开。
    • \(\alpha\)-混合（强混合）：用于刻画个体内的时间依赖性，并推导矩不等式和协方差不等式。
    • 截断谱密度估计量：用于估计由预确定变量引起的长期方差，是处理反馈偏差的关键。
    • 鞅差序列中心极限定理：用于证明主项 \(U_1\) 的渐近正态性。
    • Neumann 级数展开：用于近似逆矩阵（Lemma S.8, S.9）。
    • Rosenthal 不等式：用于推导混合序列的矩上界。

  • 真实例子与应用：

  • 数据 / 场景：模拟实验，数据生成过程（DGP）是一个动态 Probit 模型，包含一个滞后因变量 \(y_{i(t-1)}\) 和一个严格外生回归量 \(x_{it}\)。选择过程是混合的：设计部分 \(d_{it}\) 由个体效应 \(\alpha_i\) 决定（某些个体提前退出），响应部分 \(r_{it}\) 是预确定的（依赖于 \(y_{i(t-1)}\) 和 \(r_{i(t-1)}\)）。
  • 如何应用：估计了 \(\beta_y\)（滞后项系数）和 \(\beta_x\)（外生变量系数）。比较了未校正估计量、分析校正估计量（带宽 \(h=0,1,2\)）、以及两种 jackknife 校正估计量（split-panel jackknife 和 jackknife \(t_2\)-statistic）的表现。
  • 结果：
    • 未校正估计量偏差严重，尤其对 \(\beta_y\)（偏差高达 -104%）。
    • 分析校正（\(h=1\) 或 \(h=2\)）显著降低了偏差，覆盖概率接近 95% 的名义水平。\(h=0\) 无法校正反馈偏差，对 \(\beta_y\) 无效。
    • Jackknife 校正对 \(\beta_y\) 过度校正（偏差变正），且 split-panel jackknife 覆盖概率偏低。这是因为设计部分 \(d_{it}\) 违反了 jackknife 所需的无条件同质性假设（子样本非同质）。Jackknife \(t_2\)-statistic 的覆盖概率较好，但区间长度显著增大。
    • 随着 \(T\) 增大，所有估计量的偏差和区间长度都减小，符合渐近理论。

  • 这个例子想说明什么：

    1. 验证了理论结果：非平衡面板下偏差确实存在且严重。
    2. 展示了分析校正的有效性，特别是对于处理反馈偏差（需要正带宽）。
    3. 关键信息：实证展示了 jackknife 校正的局限性——当选择过程依赖于不可观测效应时，子样本非同质，jackknife 失效。这直接支持了作者“分析校正优于 jackknife”的论点。

  • 🔎 结论是否比证明窄：

  • 作者在 Remark 2(iv) 中指出，如果施加更高阶矩的限制（如 Bartlett 恒等式成立），偏差和方差表达式可以简化。但本文的证明是在没有这些限制下完成的，因此结论更一般。然而，作者在 Remark 2(iv) 中提到的简化，在模拟中并未实现（模拟用的是 Probit 模型，不满足 Bartlett 恒等式）。因此，结论的适用范围（仅条件均值限制）比证明中使用的技术假设（需要高阶矩有界）要宽，但这是合理的，因为高阶矩有界是证明的技术需要，而非模型的核心假设。
  • 作者在 Remark 4 中声称 jackknife 校正“carry over unchanged to unbalanced panels”，但紧接着就指出这需要“an additional unconditional homogeneity assumption”。模拟实验表明，这个假设在实践中很容易被违反。因此，“carry over unchanged”这个说法在实践中是误导性的，它掩盖了 jackknife 方法在非平衡面板下的关键脆弱性。作者的证明并未涵盖 jackknife 在非平衡下的有效性，只是指出了其成立的条件。

四、开放问题

  1. 非光滑准则函数：作者在结论中提到“Extending the analysis to estimators with non-smooth criterion functions, such as quantile regression, is a natural direction for future work.”（Section 5）。本文的证明严重依赖于准则函数的四阶可导性。将结果推广到分位数回归等非光滑情形，需要全新的技术工具（如经验过程理论），是一个有挑战性的开放问题。
  2. 更一般的交互固定效应：本文处理的是加法固定效应（\(\alpha_i + \gamma_t\)）。作者引用了 Su, Wang, and Wang (2026) 和 Czarnowske and Stammann (2026b) 关于交互固定效应（interactive fixed effects, \(\lambda_i' f_t\)）在非平衡面板下的工作。将本文的偏差校正方法推广到交互固定效应模型，并处理更复杂的偏差结构，是一个自然但非平凡的推广。
  3. 最优带宽选择：Theorem 2 给出了带宽 \(h\) 的允许范围，并提到了一个率最优的指数 \(\zeta^*\)，但未给出一个可操作的数据驱动选择准则。如何在实际应用中自动选择带宽（例如，基于某种交叉验证或 plug-in 方法），是一个对应用有价值的问题。
  4. 高维协变量：本文假设回归变量维数 \(K\) 固定。当 \(K\) 随 \(N, T\) 增长时（高维面板），偏差校正的难度会急剧增加。如何在高维设定下进行有效的推断，是一个前沿问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论