JBES — Vol 41 Issue 1 · 2026-07-06¶

共 22 篇 · Journal of Business & Economic Statistics
目录核对 ✅ 22 篇全部抓到（对照 OpenAlex 22 篇）

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期共22篇论文，整体围绕三条主线展开：因果识别与效率（因子增强面板回归、最优协变量平衡）、高维与弱因子模型（稀疏弱因子推断与估计、高维白噪声检验、收缩组合、动态因子协方差预测）、以及收入波动性趋势的实证调和（五篇使用不同数据源与方法的特辑）。此外，假设检验方向覆盖了结构变化、误差分布检验和市场择时检验；其他主题包括极值估计、非平稳零过程波动率、核平均估计、网络演化、综合指数构建和随机前沿模型。

在因果推断主线中，两篇论文分别从不同角度推进了面板回归与倾向性评分的效率与稳健性。Factor and Factor Loading Augmented Estimators 在面板回归中引入因子结构处理回归变量与不可观测项的依赖，允许非强因子且因子数随样本增长，两步估计量具有双重稳健性，且第一步可使用主成分分析等多种方法。Optimal Covariate Balancing Conditions 则在逆概率加权框架下系统研究平衡条件选择对估计量的影响，提出最优平衡函数准则，构造的估计量在倾向性评分或结果模型之一正确时一致，两者均正确时达到局部半参数有效，并进一步用筛分估计扩展至全局有效。两篇均强调双重稳健性，但前者聚焦因子结构下的面板数据，后者聚焦横截面处理效应。

高维与弱因子模型是另一条密集主线。Inference in Sparsity-Induced Weak Factor Models 和 Estimation of Sparsity-Induced Weak Factor Models 是姊妹篇，前者提出基于去偏稀疏正交因子回归的因子选择程序，控制FDR并允许因子载荷稀疏；后者则用同一方法同时估计因子强度指数α_k，连接特征值增长率与稀疏性假设。Optimal Shrinkage-Based Portfolio Selection 利用随机矩阵理论构造线性收缩估计量，在p/n收敛于常数时以概率1最大化样本外期望效用，且分布自由。Forecasting Conditional Covariance Matrices 则用一般动态因子模型结合MGARCH处理高维条件协方差预测，无需稀疏或低秩假设。Bootstrap Tests for High-Dimensional White-Noise 虽属假设检验，但同样在高维p>n设定下工作，通过残差bootstrap对多种统计量生成有效临界值。

收入波动性特辑的五篇论文（Reconciling Trends in U.S. Male Earnings Volatility 两篇、Male Earnings Volatility in LEHD、Trends in Earnings Volatility Using Linked Administrative and Survey Data、Estimating Trends in Male Earnings Volatility with the PSID）共同致力于调和不同数据源（PSID、SIPP、LEHD、行政记录）之间的趋势争议。核心发现是多数数据集不支持显著长期趋势，差异主要源于横截面收入分布的下尾差异、插补方法以及样本流失。这些论文方法上以描述性统计和方差分解为主，但为理解测量误差与数据可比性提供了系统证据。

与因果推断/半参数效率最贴的论文是 Factor and Factor Loading Augmented Estimators 和 Optimal Covariate Balancing Conditions；高维方向优先看 Inference in Sparsity-Induced Weak Factor Models、Estimation of Sparsity-Induced Weak Factor Models 和 Optimal Shrinkage-Based Portfolio Selection；假设检验方向可关注 Bootstrap Tests for High-Dimensional White-Noise 和 Testing for Structural Change of Predictive Regression Model。

因果推断 (causal_inference, 2 篇)¶

1. 10.1080/07350015.2021.2011300 — Factor and Factor Loading Augmented Estimators for Panel Regression With Possibly Nonstrong Factors¶

作者: Jad Beyhum, Eric Gautier
期刊/来源: Journal of Business & Economic Statistics
机构: Statistics Belgium · KU Leuven · Toulouse School of Economics
分类: vol 41 · issue 1 · pp 270-281
相关性 7/10 · novelty: new_method
摘要: 本文研究线性面板数据回归模型，其中回归变量与不可观测项的依赖通过因子结构建模，允许非强因子存在且因子数随样本量增长。目标是在 T 和 N 均趋于无穷的设定下估计回归系数。方法为两步估计：第一步估计因子和因子载荷（可使用主成分分析等多种方法），第二步将第一步估计的因子和因子载荷作为额外回归变量纳入面板回归。该估计量具有双重稳健性（double robustness）：只要第一步估计量满足一定条件，第二步的回归系数估计即渐近正态。文章给出了第一步估计量和数据生成过程需满足的充分条件，并证明了使用主成分分析作为第一步时估计量的渐近性质。模拟显示有限样本表现良好，实证应用为财政政策分析。对您而言，该文将因子模型与面板因果推断中的双重稳健思想结合，其“因子+因子载荷作为控制变量”的识别策略可迁移至您熟悉的因果推断中的纵向数据设定，且渐近理论（允许因子数发散）与您的高维渐近工具直接对接。
关键技术: double robustness, factor-augmented regression, principal components analysis, panel data with interactive fixed effects, asymptotic normality with diverging number of factors
为什么对您有用: 直接连接到 primary interest 中的因果推断（纵向/面板数据）和 identification theory。该文的双重稳健估计量结构可用您 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具分析其收敛速率是否最优。中期可做：若想将因子载荷的估计误差纳入 influence function 分析，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为：推导含第一步骤估计误差的 influence function 展开）。

2. 10.1080/07350015.2021.2002159 · arXiv — Optimal Covariate Balancing Conditions in Propensity Score Estimation¶

作者: Jianqing Fan, Kosuke Imai, Inbeom Lee, Han Liu, Yang Ning, Xiaolin Yang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 1 · pp 97-110
相关性 7/10 · novelty: new_method
摘要: 本文在逆概率加权（IPTW）框架下，系统研究协变量平衡倾向性评分（CBPS）方法中平衡条件的选择对估计量的理论影响。作者首先在局部模型误设下刻画了基于CBPS的IPTW估计量的渐近偏倚和效率，进而提出最优平衡函数的选择准则，并构造了最优CBPS-IPTW估计量。该估计量具有双重稳健性：当倾向性评分模型或结果模型之一正确时，ATE估计一致；当两个模型均正确时，达到局部半参数有效。为进一步放松参数假设，作者采用筛分（sieve）估计扩展方法，在更弱的条件下实现全局有效，且渐近偏倚小于现有估计量。模拟和实证研究验证了有限样本性能，并提供了开源软件包。对您而言，本文直接关联因果推断中的倾向性评分估计与半参数效率理论，其最优平衡条件分析可迁移至您熟悉的非参数统计与M估计框架，且双重稳健性结果与您关注的debiased ML思路一致。
关键技术: covariate balancing propensity score (CBPS), inverse probability of treatment weighting (IPTW), double robustness, local semiparametric efficiency, sieve estimation
为什么对您有用: 本文直接命中您primary interest中的因果推断（倾向性评分估计与ATE识别）和半参数效率理论（局部与全局有效估计）。技术武器库中'非参数统计'和'M估计理论'可用来理解其sieve估计的收敛性，'估计理论在因果推断中的应用'可直接对接其双重稳健性分析。中期可做：若想将最优平衡条件推广至proximal CI或纵向设定，需先在'semiparametric theory'上长肌肉（如influence function推导）。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶

1. 10.1080/07350015.2021.2003203 — Inference in Sparsity-Induced Weak Factor Models¶

作者: Yoshimasa Uematsu, Takashi Yamagata
期刊/来源: Journal of Business & Economic Statistics
机构: Tohoku University · Institute for Social and Economic Research · University of York · The University of Osaka
分类: vol 41 · issue 1 · pp 126-139
相关性 7/10 · novelty: new_method
摘要: 本文研究高维近似因子模型在弱因子结构下的统计推断问题。弱因子模型允许因子载荷矩阵稀疏且信号特征值发散速度慢于截面维度 N，这比传统强因子假设更贴近实际数据。作者提出一种基于去偏稀疏正交因子回归（SOFAR）估计量的因子选择程序，能够控制错误发现率（FDR）在预设水平以下，同时检验功效趋于1。该程序也适用于主成分（PC）估计量。因子选择后，进一步提出再稀疏化SOFAR和稀疏化PC估计量并证明其相合性。数值实验和FRED-MD宏观数据集、S&P 500月度超额收益数据的应用表明，因子载荷在识别约束下具有稀疏性，并在Fama-French五因子回归残差中发现了极弱但统计显著的因子。对您而言，该文将高维稀疏估计与因子模型推断结合，其去偏技术思路可迁移至您熟悉的高维统计和因果推断中的弱工具变量问题。
关键技术: debiased SOFAR estimator, false discovery rate control, sparse factor loading, principal component estimator, weak factor model
为什么对您有用: 本文直接关联您的高维统计兴趣，特别是弱因子模型下的推断问题。您熟悉的非参数统计和minimax界工具可用于分析其去偏估计量的收敛速率，而您在高维渐近理论上的积累能帮助理解其FDR控制的理论保证。中期可做：将本文的因子选择程序与您 moderately_familiar 的因果推断识别理论结合，用于处理弱工具变量场景下的变量选择问题。

2. 10.1080/07350015.2021.2008405 — Estimation of Sparsity-Induced Weak Factor Models¶

作者: Yoshimasa Uematsu, Takashi Yamagata
期刊/来源: Journal of Business & Economic Statistics
机构: Tohoku University · University of York · The University of Osaka
分类: vol 41 · issue 1 · pp 213-227
相关性 6/10 · novelty: new_method
摘要: 本文研究稀疏诱导弱因子（sWF）模型，其中数据协方差矩阵的第k大特征值以N^{α_k}速率增长，α_k∈(0,1]为未知指数，这比传统因子模型要求所有特征值以N速率发散更弱。采用Uematsu等人(2019)的稀疏正交因子回归（SOFAR）方法估计因子载荷，并推导了估计误差界。关键创新在于SOFAR能同时一致估计α_k，从而刻画因子强度。模拟显示新估计量在有限样本下一致优于主成分（PC）估计量。实证部分应用于债券收益率预测和S&P500股票收益分析，发现第一个因子接近强因子，其余为弱因子。对您而言，该工作连接了高维统计中的特征值增长率和稀疏性假设，其α_k估计思路可迁移至您熟悉的minimax bound框架下分析因子模型识别条件。
关键技术: sparse orthogonal factor regression (SOFAR), weak factor models, eigenvalue growth rate estimation, principal components estimator, estimation error bound
为什么对您有用: 本文直接关联您的高维统计兴趣，特别是随机矩阵理论中特征值谱行为与因子模型稀疏性的结合。您的技术武器库中'高维渐近'和'minimax bounds'可直接用于验证本文α_k估计的收敛速率是否最优，或推导更紧的误差界。中期可做：需先在'moderately_familiar'的M-estimation理论上加强，以处理SOFAR中L1正则化的渐近分布。

3. 10.1080/07350015.2021.2004897 · arXiv — Optimal Shrinkage-Based Portfolio Selection in High Dimensions¶

作者: Taras Bodnar, Yarema Okhrin, Nestor Parolya
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 1 · pp 140-156
相关性 6/10 · novelty: new_method
摘要: 本文在高维均值-方差投资组合优化中，利用随机矩阵理论的最新结果，构造了一个线性收缩估计量。该估计量在资产数量 p 和样本量 n 同步趋于无穷大且 p/n 收敛于常数的渐近框架下，以概率 1 最大化样本外期望效用（即均值-方差目标函数），适用于不同风险厌恶系数。核心创新在于将样本均值向量的估计风险纳入高维组合优化，而现有方法通常忽略这一项。估计量是分布自由的，仅要求资产收益存在有限矩，无需正态性假设。渐近性质在弱假设下建立，数值和实证研究表明，当 p > n 时，该估计量显著优于非线性收缩估计量和三基金组合规则，且对偏离正态性具有稳健性。对您而言，本文展示了随机矩阵理论在高维统计推断中的具体应用，特别是 Marchenko-Pastur 律在协方差矩阵估计和组合权重渐近分析中的使用，与您的高维统计和随机矩阵理论兴趣直接相关。
关键技术: linear shrinkage estimation, random matrix theory, Marchenko-Pastur law, high-dimensional portfolio optimization, estimation risk incorporation
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，展示了如何用 Marchenko-Pastur 律处理协方差矩阵估计中的渐近问题。您武器库中 very_familiar 的 minimax bounds 可用于验证其声称的渐近最优性是否紧，而 moderately_familiar 的 M-estimation 理论可分析其估计量的有限样本性质。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理其分布自由假设下的效率界问题。

4. 10.1080/07350015.2021.1996380 — Forecasting Conditional Covariance Matrices in High-Dimensional Time Series: A General Dynamic Factor Approach¶

作者: Carlos Trucíos, João H. G. Mazzeu, Marc Hallin, Luiz K. Hotta, Pedro L. Valls Pereira, Mauricio Zevallos
期刊/来源: Journal of Business & Economic Statistics
机构: Universidade Federal do Rio de Janeiro · Escola de Economia de São Paulo · Universidade Estadual de Campinas (UNICAMP) · Université Libre de Bruxelles
分类: vol 41 · issue 1 · pp 40-52
相关性 5/10 · novelty: application
摘要: 本文针对高维时间序列的条件协方差矩阵预测问题，提出基于一般动态因子模型（GDFM）与MGARCH波动率模型的新估计与预测方法。GDFM允许因子空间无限维，通过主成分分析提取共同因子，再对因子残差序列拟合MGARCH模型以刻画时变波动与相关性。该方法无需对协方差矩阵施加稀疏或低秩结构假设，适用于维度远大于样本量的情形。蒙特卡洛实验表明，所提方法在有限样本下优于多数现有方法，包括基于收缩估计的替代方案。实证部分应用于高维资产组合的最小化一步向前方差组合构建，其样本外表现与Engle、Ledoit和Wolf的近期方法相当，且优于其他对比方法。对您而言，本文虽非因果推断或U统计量直接相关，但其高维协方差矩阵的因子建模与预测思路，可作为高维统计与时间序列交叉方向的参考，尤其适合熟悉主成分分析与波动率建模的读者。
关键技术: General Dynamic Factor Model, MGARCH volatility models, principal component analysis, high-dimensional covariance estimation, portfolio optimization
为什么对您有用: 本文属于高维统计与时间序列的交叉应用，与您的高维统计兴趣有间接关联，但核心方法（因子模型+MGARCH）不在您的技术武器库核心范围内。作为gateway reading，本文对高维协方差预测的实证框架有清晰展示，但方法学新颖性有限（因子模型与GARCH结合是成熟思路）。暂不可做：缺乏直接可迁移的因果推断或U统计量工具，且高维时间序列的因子分析需要您补充动态因子模型的理论基础。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1080/07350015.2021.2006668 · arXiv — Kernel Averaging Estimators¶

作者: Rong Zhu, Xinyu Zhang, Alan T. K. Wan, Guohua Zou
期刊/来源: Journal of Business & Economic Statistics
机构: Taras Shevchenko National University of Kyiv · Laboratoire de Mathématiques Jean Leray · Nantes Université
分类: vol 41 · issue 1 · pp 157-169
相关性 5/10 · novelty: new_method
摘要: 本文提出一种核平均估计器（Kernel Averaging Estimator），通过模型平均方法解决非参数回归中带宽选择的不确定性问题。具体而言，对一系列不同带宽下的Nadaraya-Watson核估计器进行加权平均，权重通过最小化最小二乘交叉验证准则确定。理论证明该组合核估计器能达到渐近最小的聚合平方误差。模拟研究和真实数据例子表明，在有限样本下该估计器优于基于传统带宽选择方法的估计器。该方法本质上是将模型平均思想引入非参数核回归，提供了一种避免带宽选择的替代路径。对您而言，该工作与您的非参数统计和估计理论兴趣直接相关，其交叉验证权重选择机制可视为一种数据驱动的模型组合策略。
关键技术: Nadaraya-Watson kernel estimator, model averaging, least-squares cross-validation, asymptotic aggregate squared error
为什么对您有用: 本文直接关联您的非参数统计兴趣，特别是核回归中的带宽选择问题。您熟悉的非参数统计和minimax界工具可用于分析该估计器的收敛速率是否最优，以及能否推广到更高阶的核估计或局部多项式。中期可做：需要先巩固M估计理论（moderately_familiar）以处理交叉验证权重的渐近性质。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶

1. 10.1080/07350015.2021.2008407 — Bootstrap Tests for High-Dimensional White-Noise¶

作者: Lengyang Wang, Efang Kong, Yingcun Xia
期刊/来源: Journal of Business & Economic Statistics
机构: National University of Singapore · University of Electronic Science and Technology of China
分类: vol 41 · issue 1 · pp 241-254
相关性 7/10 · novelty: new_method
摘要: 本文研究高维时间序列的白噪声检验问题。在维度 p 远大于样本量 n 的设定下，传统检验方法要么计算不可行（如基于似然比），要么因维数灾难导致严重的 I 类错误扭曲。作者提出一种基于 bootstrap 的通用检验方法，核心思想是：对任意给定的检验统计量（如 Ljung-Box 统计量、基于谱密度的统计量等），通过残差 bootstrap 生成零分布下的临界值。理论部分证明了 bootstrap 检验的一致性，即当原假设成立时 bootstrap 分布依概率收敛到真实零分布，且对多种统计量均成立。进一步，作者将方法推广到基于拟合残差的白噪声检验（如 ARMA 模型诊断），并证明了其有效性。模拟实验表明，与现有方法（如基于随机矩阵理论的检验、基于极大似然的检验）相比，新方法在保持良好 I 类错误控制的同时，检验功效显著提升。值得注意的是，即使在 bootstrap 理论严格性难以保证的情形下（如弱相依性），该方法仍优于竞争对手。实证部分应用于纽交所市值前 50 公司日收益率序列，发现共同市场因子是股票间交叉相关的主要来源。对您而言，本文的 bootstrap 框架可直接迁移到您在高维因果推断中残差诊断或模型检验问题，且其理论分析（bootstrap 一致性证明）与您熟悉的非参数统计和高维渐近理论高度契合。
关键技术: bootstrap consistency, high-dimensional white-noise test, Ljung-Box statistic, residual bootstrap, time series diagnostics
为什么对您有用: 本文直接连接您的 hypothesis testing 和 high-dimensional statistics 兴趣子方向。技术层面，您 very_familiar 的 minimax bounds 和高维渐近理论可用于检验本文 bootstrap 方法在更弱条件下的最优性（如检验功效的 minimax 下界），而您 moderately_familiar 的 M-estimation 理论可用于分析基于拟合残差的 bootstrap 检验的渐近性质。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理更复杂的模型诊断问题（如半参数时间序列模型）。

2. 10.1080/07350015.2021.2008406 — Testing for Structural Change of Predictive Regression Model to Threshold Predictive Regression Model¶

作者: Fukang Zhu, Mengya Liu, Shiqing Ling, Zongwu Cai
期刊/来源: Journal of Business & Economic Statistics
机构: Jilin University · Central China Normal University · Hong Kong University of Science and Technology · University of Hong Kong · University of Kansas
分类: vol 41 · issue 1 · pp 228-240
相关性 6/10 · novelty: new_method
摘要: 本文研究预测回归模型（predictive regression）中结构变化（structural change）与阈值效应（threshold）的检验问题。目标是在原假设（无结构变化且无阈值）下，检验是否存在向阈值预测回归模型的转变。针对平稳预测变量，提出了广义似然比（GLR）检验统计量，并证明其渐近收敛于中心化高斯过程的泛函；针对持久性（persistent）预测变量，提出了广义F检验统计量，其渐近分布为布朗运动的泛函。由于渐近分布依赖于未知参数，采用Bootstrap方法获取临界值。模拟研究和实际数据分析展示了所提检验的有限样本表现。该工作将经典的structural break检验拓展到预测回归这一高维时间序列设定，对您在高维统计与假设检验方面的兴趣有直接连接。
关键技术: generalized likelihood ratio test, generalized F test, Brownian motion asymptotics, Bootstrap critical values, predictive regression, threshold model
为什么对您有用: 本文直接对应您primary interest中的'假设检验'与'高维统计'子方向，具体为预测回归模型的结构变化检验。您武器库中'高维渐近理论'和'非参数统计'可用于理解其Bootstrap方法的有效性及检验的局部幂性质。中期可做：若想将此类检验推广到更一般的半参数设定，需先在'semiparametric theory'上长肌肉（当前为moderately_familiar）。

3. 10.1080/07350015.2021.2002160 · arXiv — Testing Error Distribution by Kernelized Stein Discrepancy in Multivariate Time Series Models¶

作者: Donghang Luo, Ke Zhu, Huan Gong, Dong Li
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 1 · pp 111-125
相关性 6/10 · novelty: new_method
摘要: 本文针对多元时间序列模型中误差分布的正确性检验问题，提出了一种基于核化Stein差异（KSD）的通用检验方法。现有检验大多局限于多元正态分布或特定模型，无法处理实际中常见的厚尾、偏斜等非正态误差分布。作者利用KSD对分布差异的敏感性，构造了无需计算归一化常数的检验统计量，适用于广泛的多元误差分布族（包括参数化非正态分布）。为处理参数估计不确定性和初始值不可观测问题，论文采用bootstrap方法计算临界值，保证了检验的有限样本有效性。理论上证明了检验的一致性，并通过模拟和实证数据展示了其良好的尺寸控制和功效。作为扩展，该方法还被应用于copula时间序列模型的误差分布检验。该工作为时间序列模型诊断提供了灵活的非参数工具，对您在高维假设检验和模型诊断方面的兴趣有直接参考价值。
关键技术: Kernelized Stein Discrepancy, bootstrap critical values, multivariate time series, goodness-of-fit test, copula time series models
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是高维设定下模型诊断的非参数方法。KSD作为一种基于核的分布差异度量，与您熟悉的非参数统计和M估计理论有技术交集，可考虑用您擅长的U统计量投影或经验过程工具分析其检验功效。中期可做：将KSD检验与您熟悉的higher-order U-statistics结合，分析其在厚尾分布下的高阶渐近性质，需先在U统计量理论上进一步积累。

经济理论 / 应用 (econ_theory, 9 篇)¶

1. 10.1080/07350015.2022.2102020 · arXiv — Reconciling Trends in U.S. Male Earnings Volatility: Results from Survey and Administrative Data¶

作者: Robert Moffitt, John Abowd, Christopher Bollinger, Michael Carr, Charles Hokayem, Kevin McKinney et al.
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 1 · pp 1-11
相关性 6/10 · novelty: application
摘要: 本文旨在调和美国男性收入波动性趋势的实证争议。研究使用四套数据集（包括三套调查数据和三套行政数据，其中两套为匹配数据），在统一规范、波动性度量及数据处理方式下进行分析。结果显示，在1980年代中期以来的20-30年间，六套数据系列中有四套未发现显著的长期趋势。第五套数据（PSID）显示微弱正向趋势，第六套行政数据（仅1998年后可用）在1998-2011年无趋势，之后略有下降。剩余差异可部分归因于数据集横截面收入分布的不同，尤其是下尾分布差异。结论是，多数重要数据集不支持美国男性收入波动性有显著趋势的说法。
关键技术: earnings volatility measurement, survey vs. administrative data reconciliation, cross-sectional distribution comparison
为什么对您有用: 本文属于经济理论（应用）方向，是您secondary interest中经济学的实证研究。它展示了如何通过多数据源对比和统一规范来调和实证争议，其分析模式（特别是处理数据分布差异的方法）对您从事因果推断中的敏感性分析或测量误差研究有参考价值。作为入门读物，本文清晰阐述了数据结构和分析框架，武器库中的非参数统计和估计理论足以支撑您理解其核心方法，值得花时间阅读全文。

2. 10.1080/07350015.2022.2126845 — Reconciling Trends in Male Earnings Volatility: Evidence from the SIPP Survey and Administrative Data¶

作者: Michael D. Carr, Robert A. Moffitt, Emily E. Wiemers
期刊/来源: Journal of Business & Economic Statistics
机构: University of Massachusetts Boston · Johns Hopkins University · Syracuse University
分类: vol 41 · issue 1 · pp 26-32
相关性 5/10 · novelty: application
摘要: 本文利用 SIPP 调查数据和 SIPP 关联的行政收入数据（SIPP GSF），系统比较了 1984-2012 年间美国男性收入波动性的水平与趋势。研究发现，行政数据中的波动性水平高于调查数据，但两者趋势相似：调查数据中波动性略有下降，而行政数据中略有上升。调查数据中因单位无应答而进行的插补会同时提高波动性的水平和上升趋势，给估计一致的时间序列带来挑战。由于两个数据集中低收入密度的差异显著，且波动性可能随收入分布变化，作者通过固定收入分布来估计波动性趋势。结果表明，收入分布的差异在很大程度上解释了调查数据与行政数据之间波动性水平与趋势的差异。该研究为理解不同数据源下收入波动性估计的差异提供了实证依据。
关键技术: earnings volatility estimation, survey vs. administrative data comparison, imputation for unit nonresponse, distributional adjustment
为什么对您有用: 本文属于应用经济学实证研究，直接关联您的 secondary interest 中的经济理论（数据集、应用因果工作）。它展示了如何系统比较调查数据与行政数据在估计收入波动性时的差异，并处理了插补和数据分布差异带来的挑战。作为入门读物，它清晰地阐述了数据结构和分析思路，但方法学上较为常规，武器库中的非参数统计或因果推断工具可直接用于类似的数据比较问题，属于立即可做的范畴。

3. 10.1080/07350015.2022.2126479 · arXiv — Male Earnings Volatility in LEHD Before, During, and After the Great Recession¶

作者: Kevin L. McKinney, John M. Abowd
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 1 · pp 33-39
相关性 5/10 · novelty: application
摘要: 本文利用美国人口普查局的纵向雇主-家庭动态（LEHD）基础设施数据，研究1998-2016年间黄金年龄男性收入波动性的变化趋势，特别关注大衰退前后的时期。研究构建了明确的人口框架以促进与设计性纵向样本可比的时间变化估计。核心发现是，排除衰退期间的增加后，收入波动性在整个分析期内呈下降趋势，该结论对多种敏感性分析稳健。方法上，文章主要依赖描述性统计和面板数据中的波动性度量（如方差分解），未涉及因果推断或高维统计工具。作为JBES特刊的一部分，本文与其他使用不同数据源的文章提供了一组可比较的统计量。对您而言，这是一篇典型的经济学应用论文，展示了如何利用大规模行政面板数据（LEHD）进行收入动态的实证分析，但方法论新颖性有限。
关键技术: earnings volatility, variance decomposition, administrative panel data, LEHD infrastructure, sensitivity analysis
为什么对您有用: 本文属于经济理论（应用）方向，是您次要兴趣中经济理论的应用型论文。它展示了如何利用大规模行政面板数据（LEHD）进行收入动态的实证分析，但方法论上以描述性统计和方差分解为主，未涉及您主要兴趣中的因果推断、高维统计或半参理论。武器库中的'高维渐近理论'或'因果推断估计理论'在此处无直接用武之地。作为入门读物，它清晰展示了经济学者如何使用行政数据回答波动性问题，但统计方法深度不足，不值得花时间全文精读。

4. 10.1080/07350015.2022.2102023 — Trends in Earnings Volatility Using Linked Administrative and Survey Data¶

作者: James P. Ziliak, Charles Hokayem, Christopher R. Bollinger
期刊/来源: Journal of Business & Economic Statistics
机构: University of Kentucky · United States Census Bureau
分类: vol 41 · issue 1 · pp 12-19
相关性 5/10 · novelty: application
摘要: 本文利用1995-2015年CPS ASEC调查数据与社会保障局行政工资记录的唯一链接数据，分别研究男性和女性收入波动性的趋势。核心目标是评估调查数据中的收入无回答、样本流失以及测量误差对波动性估计的影响，同时保持抽样框不变。方法上，通过直接链接行政记录，作者能够比较调查数据和行政数据中收入波动性的水平和趋势，并特别关注插补值对结果的影响。主要发现是，对于持续就业的男性，调查和行政数据中的波动性水平和趋势相似，呈现显著的商业周期敏感性但无长期趋势；女性则无周期变化但呈下降趋势。关键差异出现在包含对调查无回答者进行插补的收入时，这提示ASEC用户应剔除收入无回答的样本。对您而言，这是一篇应用导向的经济学论文，展示了如何利用链接数据评估测量误差对关键经济指标的影响，其分析框架（数据链接、非响应处理）可为流行病学或因果推断中的测量误差敏感性分析提供参考。
关键技术: linked survey-administrative data, measurement error analysis, nonresponse adjustment, earnings volatility estimation
为什么对您有用: 本文属于经济理论（应用）方向，是您secondary interest中的gateway reading。它展示了如何利用链接行政数据来评估调查数据中的测量误差和非响应问题，这一分析框架对您primary interest中的因果推断（尤其是测量误差敏感性分析）有直接借鉴意义。武器库中'非参数统计'和'因果推断中的估计理论'可用于理解其波动性估计的稳健性，但本文本身是应用工作，不涉及新方法学，因此属于'暂不可做'——核心贡献在于数据和分析设计，而非可迁移的统计技术。

5. 10.1080/07350015.2021.2001341 — Panel Stochastic Frontier Model With Endogenous Inputs and Correlated Random Components¶

作者: Lai Hung-pin, Subal C. Kumbhakar
期刊/来源: Journal of Business & Economic Statistics
机构: National Chung Cheng University · Academia Sinica · Binghamton University · University of Inland Norway
分类: vol 41 · issue 1 · pp 80-96
相关性 5/10 · novelty: application
摘要: 本文考虑面板随机前沿模型，其中复合误差项包含四个成分：持久无效率ηi、瞬时无效率uit、随机企业效应τi和随机噪声vit。模型的两个关键特征是：(i) 投入变量允许与一个或多个误差成分相关；(ii) 时不变成分(ηi, τi)与时变成分(uit, vit)之间允许相关。为估计参数并预测效率，作者提出两步法：第一步用组内或一阶差分消除时不变成分，再用2SLS或GMM得到前沿函数参数的一致估计；第二步用最大模拟似然法结合copula建模时变与不变成分的相关性，估计分布参数并推导效率预测公式。模拟和真实数据验证了方法的有限样本表现。对您而言，本文是经济理论方向的应用因果推断工作，展示了在面板数据中处理内生性和未观测异质性的计量策略，可作为入门读物了解随机前沿分析中识别和估计的典型挑战。
关键技术: two-step estimation, copula modeling, maximum simulated likelihood, 2SLS/GMM, panel stochastic frontier
为什么对您有用: 本文属于经济理论方向的应用因果推断工作，处理面板数据中投入内生性和误差成分相关性问题。您的武器库中'identification theory in causal inference'和'M-estimation theory'可直接用于理解其两步法识别策略，但核心机器（随机前沿模型、copula建模）不在武器库中，属于暂不可做方向。作为gateway reading，本文清晰展示了经济计量学中处理面板数据内生性的典型框架，值得花时间读全文以了解该领域的问题设定和工具。

6. 10.1080/07350015.2021.2008404 — Survey Response Behavior as a Proxy for Unobserved Ability: Theory and Evidence¶

作者: Sonja C. de New, Stefanie Schurer
期刊/来源: Journal of Business & Economic Statistics
机构: IZA - Institute of Labor Economics · Monash University · The University of Sydney
分类: vol 41 · issue 1 · pp 197-212
相关性 4/10 · novelty: application
摘要: 本文在经济学应用背景下，形式化了利用调查响应行为（survey item-response rate, SIRR）作为难以直接测量的能力（认知与非认知）的代理变量的想法，并评估其收益与风险。作者利用澳大利亚代表性调查数据，发现SIRR与认知能力的相关性高于非认知能力。实证结果表明，SIRR虽为弱且不完美的代理变量，但可将能力相关的遗漏变量偏差降低最多20%，且优于其他源自辅助数据的代理变量。理论部分推导了有效代理变量的必要与充分条件，指出强代理变量既非减少估计偏差的必要条件也非充分条件，关键在于代理变量引入的多重共线性问题的程度。本文通过一个实证应用说明了理论推导。该工作为经济学中利用辅助数据（paradata）处理未观测混杂提供了可操作的框架，对您从事的因果推断（特别是IV和敏感性分析）有直接的方法学参考价值。
关键技术: proxy variable, omitted variable bias, survey paradata, multicollinearity, cognitive ability measurement
为什么对您有用: 本文属于经济理论（应用因果推断）方向，直接连接您的secondary interest。它讨论了代理变量在减少遗漏变量偏差中的条件，这为因果推断中的敏感性分析和IV方法提供了补充视角。您的武器库中'identification theory in causal inference'可以用于审视其代理变量条件的充分性，而'minimax bounds for estimation problems'可用于量化偏差缩减的最优性。本文是入门级读物，值得花时间读全文以了解经济学中处理未观测混杂的实用策略。

7. 10.1080/07350015.2021.2006670 — Test for Market Timing Using Daily Fund Returns¶

作者: Lei Jiang, Weimin Liu, Liang Peng
期刊/来源: Journal of Business & Economic Statistics
机构: Tsinghua University · Georgia State University
分类: vol 41 · issue 1 · pp 184-196
相关性 4/10 · novelty: application
摘要: 本文研究使用日度共同基金收益率数据检验市场择时能力时面临的计量经济学问题。传统Treynor-Mazuy和Henriksson-Merton模型的最小二乘估计在异方差、误差自相关和重尾分布下存在严重偏差，且t检验的尺寸扭曲。作者提出采用ARMA-GARCH模型建模条件方差，结合加权最小二乘估计以保证估计量的渐近正态性，并利用随机加权bootstrap方法进行不确定性量化。实证发现，相较于Newey-West t检验，新方法识别出更多具有正向择时能力的基金。进一步证据表明，具有反向择时能力的基金换手率较高，且基金在择时与选股能力之间存在权衡。本文方法为金融计量中处理复杂误差结构的假设检验提供了实用工具。
关键技术: ARMA-GARCH, weighted least squares, random weighted bootstrap, Treynor-Mazuy model, Henriksson-Merton model
为什么对您有用: 本文属于经济理论/金融计量应用方向，与您的secondary interest（经济理论中的数据集和模型）直接相关。您的武器库中'高维渐近理论'和'M估计理论'可用于分析其加权最小二乘估计的渐近性质，而'假设检验'兴趣点可直接对接其bootstrap检验的尺寸和功效问题。作为gateway reading，本文清晰展示了金融时间序列中异方差和自相关对因果推断（择时能力）的影响，值得花时间读全文以了解金融计量中的实际数据处理流程。

8. 10.1080/07350015.2021.2000418 — Composite Index Construction with Expert Opinion¶

作者: Rong Chen, Yuanyuan Ji, Guolin Jiang, Han Xiao, Ruoqing Xie, Pingfang Zhu
期刊/来源: Journal of Business & Economic Statistics
机构: Rutgers, The State University of New Jersey · Shanghai Academy of Social Sciences · Institute of Economics
分类: vol 41 · issue 1 · pp 67-79
相关性 4/10 · novelty: application
摘要: 本文研究如何将专家意见纳入综合指数的构建中。传统方法（如主成分分析）仅依赖数据变异最大化来确定线性组合权重，忽略了领域知识。作者提出一种正则化框架，在目标函数中同时最大化指数变异和最小化权重与专家评分之间的加权平方偏差，其中专家评分包含重要性评分和置信度评分，且指数构建者可赋予每位专家一个专业水平权重。通过数据驱动的方式选择平衡参数，实现数据信息与专家意见的最优融合。理论部分给出了估计量的相合性和渐近正态性。模拟和一项中国科技发展指数的实际应用验证了方法的有效性。对您而言，本文属于经济应用领域的方法论文献，其融合先验信息与数据驱动的思路与您熟悉的因果推断中敏感性分析或贝叶斯方法有相通之处，可作为入门级应用文献阅读。
关键技术: regularized optimization, principal component analysis, weighted least squares, expert opinion elicitation, composite index construction
为什么对您有用: 本文属于经济理论/应用方向，是您的次要兴趣之一。作为入门读物，它清晰地阐述了综合指数构建中数据与专家意见融合的统计框架，对不熟悉该领域的统计学者友好。您的武器库中非参数统计和估计理论足以理解其理论部分，但本文方法学新颖性有限（主要是正则化思想的应用），属于中期可读的领域拓展材料。

9. 10.1080/07350015.2021.2006669 — Time Series Approach to the Evolution of Networks: Prediction and Estimation¶

作者: Anna Bykhovskaya
期刊/来源: Journal of Business & Economic Statistics
机构: University of Wisconsin–Madison
分类: vol 41 · issue 1 · pp 170-183
相关性 3/10 · novelty: application
摘要: 本文提出一种针对非负多元时间序列的模型，将其解释为加权网络，其中每个时间点对应一个固定节点集上的边权重向量。模型结合了经典自回归结构、非负性约束、边权重以正概率消失的机制以及边之间的同伴效应（peer effect）交互。主要理论贡献包括：给出了网络演化过程平稳性与爆炸性的判别准则；提出了模型参数的估计方法以及未来值的预测技术。估计方法可能涉及拟似然或矩估计，但摘要未明确给出具体估计量名称和收敛速率。实证部分使用欧盟月度贸易数据，结果表明纳入非负性约束和同伴效应均能提升预测能力。对您而言，本文属于经济理论/应用方向，提供了一个将时间序列与网络结构结合的建模框架，其同伴效应设定与因果推断中的网络干扰（network interference）有概念联系，但方法学新颖性有限，主要是应用层面的贡献。
关键技术: nonnegative multivariate time series, weighted network evolution, peer effect interactions, stationarity criteria, autoregressive network model
为什么对您有用: 本文连接您的 secondary interest 中的经济理论/应用方向，提供了一个将时间序列与网络结构结合的实证建模框架。您的武器库中非参数统计和高维渐近工具可用于分析其估计量的渐近性质，但本文方法学新颖性有限，属于应用层面贡献。暂不可做：核心机器（网络时间序列的平稳性理论和拟似然估计）不在您的武器库中，但可作为入门读物了解经济网络建模的常见设定。

流行病学 (epidemiology, 1 篇)¶

1. 10.1080/07350015.2022.2102024 — Estimating Trends in Male Earnings Volatility with the Panel Study of Income Dynamics¶

作者: Robert Moffitt, Sisi Zhang
期刊/来源: Journal of Business & Economic Statistics
机构: Johns Hopkins University · Jinan University
分类: vol 41 · issue 1 · pp 20-25
相关性 5/10 · novelty: application
摘要: 本文利用 Panel Study of Income Dynamics (PSID) 数据更新了美国男性收入波动性的长期趋势估计。研究确认了1970-80年代波动性近乎翻倍的上升趋势，以及2000年代后的再次上升，但最新数据显示近年波动性有所下降。到2018年，波动性相比1990年代仅温和增长，增速仅为1970-80年代的五分之一。作者通过多种稳健性检验排除了样本流失、项目无应答偏误等PSID数据问题对结论的影响。该工作属于应用型实证研究，方法上主要依赖描述性统计和方差分解，未引入新的因果推断或高维统计工具。对您而言，这是一篇流行病学/应用因果方向的入门级实证论文，展示了纵向数据中波动性度量的经典分析流程，但方法学新颖性有限。
关键技术: variance decomposition, panel data analysis, attrition bias, item nonresponse bias
为什么对您有用: 本文属于流行病学/应用因果方向的实证研究，展示了纵向面板数据中收入波动性度量的经典分析流程。武器库中的非参数统计和因果推断估计理论可用于评估其方差分解假设的合理性，但本文方法学贡献有限，属于暂不可做范畴——核心问题在于其分析框架未涉及您熟悉的识别策略或效率理论，更像是一篇数据更新报告而非方法学推进。

其他 (other, 2 篇)¶

1. 10.1080/07350015.2021.2008408 — Extreme Value Estimation for Heterogeneous Data¶

作者: John H. J. Einmahl, Yi He
期刊/来源: Journal of Business & Economic Statistics
机构: Tilburg University · Tinbergen Institute · University of Amsterdam
分类: vol 41 · issue 1 · pp 255-269
相关性 6/10 · novelty: application
摘要: 本文提出一个普适的计量经济学框架，用于建模可能由参数异质性驱动的经验幂律。该框架将经典极值理论扩展到一般数据集的经验分布的尾部行为，允许各观测的边际分布可能不同。作者讨论了若干满足条件的模型示例，并通过模拟展示异质性如何生成经验幂律。实证部分利用美国股票损失数据观察到横截面幂律，并表明该尾部行为主要由个股的异质性波动率驱动。方法上，该文主要依赖极值理论的块极大值或阈值超越数方法，并结合异质性假设进行统计推断。对您而言，本文属于应用导向的计量经济学工作，与您的主要兴趣（因果推断、高维统计等）和方法论工具（非参数统计、极值理论）关联较弱，但可作为经济理论应用方向的入门阅读。
关键技术: extreme value theory, heterogeneous marginal distributions, empirical power laws, block maxima, peaks over threshold
为什么对您有用: 本文属于经济理论应用方向，可作为该领域的入门读物，但方法学新颖性有限。您的武器库中非参数统计和极值理论有一定重叠，但核心问题（异质性驱动的幂律）与您的主要兴趣（因果推断、高维统计）距离较远，且未涉及您熟悉的工具（如U统计量、半参数效率界）。暂不可做：缺乏与您当前技术栈的直接接口，且极值理论本身并非您的核心方向。

2. 10.1080/07350015.2021.1999821 — Volatility Estimation When the Zero-Process is Nonstationary¶

作者: Christian Francq, Genaro Sucarrat
期刊/来源: Journal of Business & Economic Statistics
机构: Université de Lille · Centre de Recherche en Économie et Statistique · Institut Polytechnique de Paris · BI Norwegian Business School
分类: vol 41 · issue 1 · pp 53-66
相关性 2/10 · novelty: new_method
摘要: 本文针对金融收益率中零值过程非平稳导致标准波动率估计量失效的问题，提出了一类新的GARCH模型。该模型允许零值概率随时间变化（如日度数据中的流动性趋势或日内数据中的周期性），并引入零调整拟极大似然估计量（zero-adjusted QMLE）。在温和正则性条件下，证明了估计量的相合性和渐近正态性。模型可包含高阶ARCH/GARCH项及过去零指示变量作为协变量。模拟验证了有限样本性质，并显示标准估计量存在偏误。实证部分用日度和日内收益率展示了非平稳零值过程如何导致条件方差表示中的时变参数，以及零收益率分布对波动率预测的显著影响。
关键技术: zero-adjusted QMLE, GARCH with nonstationary zero-process, time-varying zero-probability, conditional variance specification
为什么对您有用: 本文属于金融时间序列计量经济学，与您的主要兴趣（因果推断、高维统计等）无直接交集。但其中处理非平稳零值过程的思路（将零值生成机制与条件方差模型联合建模）对您中期可做的纵向因果推断中处理稀疏或零膨胀数据有潜在启发。不过，核心工具（QMLE、GARCH）不在您的技术武器库中，属于暂不可做方向。

Maintained by 陈星宇 · Homepage · Source on GitHub