J. Econometrics — Vol 258 · 2026-10-12¶
- 共 11 篇 · Journal of Econometrics
- 目录核对 ⚠️ 疑似漏 10 篇(对照 OpenAlex 21 篇):10.1016/j.jeconom.2026.106322、10.1016/j.jeconom.2026.106333、10.1016/j.jeconom.2026.106320、10.1016/j.jeconom.2026.106323、10.1016/j.jeconom.2026.106332 等
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《J. Econometrics》的11篇论文大致可归为四条主线:因果识别与处理效应(Treatment evaluation at the intensive and extensive margins、Measurement error and peer effects in networks、Panel threshold regression with unobserved individual-specific threshold effects)、非参数识别与推断(Nonparametric identification of first-price auction with unobserved competition、Normal approximation for U-statistics with cross-sectional dependence)、高维与面板数据方法(Robust estimation and inference for high-dimensional panel data models、Spatio-temporal autoregressions for high dimensional matrix-valued time series、High dimensional alpha test for linear factor pricing model with Lq-norm、Principal component analysis for a mix of stationary and nonstationary variables),以及推断实践与计算(Clustering with potential multidimensionality、Iterative distributed multinomial regression)。其中因果识别与高维方法两条主线最为突出,且存在交叉。
因果识别主线中,三篇论文从不同角度处理“不可观测异质性”带来的识别挑战。Treatment evaluation一文在无工具变量条件下,利用条件单调性对ATE构造尖锐界,并特别指出无差异群体(如不依从者)的存在会使Lee界等传统方法的渐近推断失效,转而提出平滑外识别区域与半参数有效的去偏机器学习估计量——这是对部分识别文献中“边界正则性”问题的直接回应。Measurement error in networks则证明经典测量误差下同伴效应估计偏差可能被放大而非衰减,且网络结构本身可作为识别工具,无需外部信息,给出了GMM与2SLS估计量。Panel threshold regression处理未观测的个体特定阈值效应,证明组内差分无法一致估计,转而采用相关随机效应模型统一处理静态与动态设定。三篇共同点在于:都放弃了传统工具变量或强参数假设,转而依赖结构假设(单调性、网络结构、随机效应)实现识别。
高维与面板方法主线同样密集。Robust estimation一文针对高维面板数据,在非高斯、序列与截面相关下提出阈值化长期协方差矩阵估计,并建立两个Nagaev型浓度不等式,为LASSO与node-wise LASSO的推断提供了非渐近基础。Spatio-temporal autoregressions将矩阵值时间序列建模为双带宽时空自回归,通过迭代广义Yule-Walker估计解决内生性,其两步比值序贯程序是方法上的新点。High dimensional alpha test则提出Lq范数检验桥接L2与L∞的极端备择情形,并证明Lq与L∞统计量的渐近独立性,据此构造Cauchy组合检验——这一独立性结果对高维检验理论有独立价值。此外,Principal component analysis处理混合平稳与非平稳变量的因子提取,虽非核心,但其“无需预知平稳性”的变换思路与高维面板文献形成互补。
与因果推断最直接相关的是Treatment evaluation(部分识别与去偏估计)、Measurement error in networks(网络因果识别)和Panel threshold regression(面板因果效应);偏好半参数效率理论的读者可重点关注Treatment evaluation中的去偏机器学习估计量,以及Clustering with potential multidimensionality中基于设计视角的方差估计改进;高维方向则建议优先看Robust estimation与High dimensional alpha test,前者提供浓度不等式工具,后者给出Lq检验的渐近独立性结果。
因果推断 (causal_inference, 3 篇)¶
1. 10.1016/j.jeconom.2026.106344 · arXiv — Treatment evaluation at the intensive and extensive margins¶
- 作者: Phillip Heiler, Asbjørn Kaufmann, Bezirgen Veliyev
- 期刊/来源: Journal of Econometrics
- 机构: Aarhus University
- 分类: vol 258 · pp 106344
- 相关性 8/10 · novelty:
new_method - 摘要: 本文研究选择性样本中处理效应的识别与推断问题,目标是在没有工具变量和参数假设的条件下,对平均处理效应(ATE)给出尖锐界。作者在条件单调性假设下,对所有主分层(即完整刻画集约边际和广延边际的单位)推导出ATE的尖锐界,特别允许存在大量对处理选择无差异的单位(如不依从者)。他们指出,这类无差异群体的存在与尖锐总体界的正则性密切相关,导致Lee界等传统方法的渐近推断可能产生误导。为解决此问题,他们提出使用平滑的外识别区域进行推断,并构造了半参数有效的去偏机器学习估计量,适用于正则界和平滑界,能处理高维协变量和灵活函数形式。实证研究基于活跃劳动力市场政策数据,揭示了无差异群体的普遍存在,并在更弱假设下支持了先前影响分析的结果。
- 关键技术:
sharp bounds,principal stratification,conditional monotonicity,Lee bounds,smoothed outer identification regions,debiased machine learning,semiparametric efficiency - 为什么对您有用: 本文直接关联因果推断中的识别与敏感性分析,特别是处理效应在选择性样本中的界估计,属于您的主要兴趣方向。您可以用您熟悉的非参数统计和极小极大界技术来审视其尖锐界的紧性,或利用您对半参数理论的理解来验证其DML估计量的效率性质。中期可做:若想深入其平滑外识别区域的推断理论,需在HOIF或更高阶U统计量方面加强。
2. 10.1016/j.jeconom.2026.106339 · arXiv — Measurement error and peer effects in networks¶
- 作者: Yann Bramoullé, Sebastiaan Maes
- 期刊/来源: Journal of Econometrics
- 机构: Centre National de la Recherche Scientifique · Aix-Marseille Université · University of Antwerp
- 分类: vol 258 · pp 106339
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究线性均值(linear-in-means)网络模型中的测量误差问题,目标是在个体特征和网络链接存在测量误差时,识别并估计同伴效应(peer effects)。作者证明,在经典测量误差假设下,同伴效应的估计偏差并非总是衰减,而可能被放大,导致虚假的显著结果。关键在于,偏差的方向和大小取决于个体特征与网络结构的交互作用。文章进一步表明,网络结构本身可以作为识别工具,无需额外的外部信息(如工具变量或重复测量),即可实现参数识别。基于此,作者提出了易于实施的 GMM 和 2SLS 估计量,并通过蒙特卡洛模拟验证了其有限样本性质。该工作为网络因果推断中的测量误差问题提供了新的识别策略,对您关注的因果推断(尤其是网络和同伴效应)方向有直接参考价值。
- 关键技术:
linear-in-means model,measurement error,GMM estimation,2SLS estimation,network structure identification - 为什么对您有用: 本文属于因果推断中网络同伴效应的识别问题,直接关联您的 primary interest 中的 causal inference 子方向。您可以用 very_familiar 的 estimation theory in causal inference 来审视其识别假设,并考虑用 moderately_familiar 的 identification theory 来扩展其方法。立即可做:基于其 GMM/2SLS 框架,在您的模拟环境中复现并检验偏差方向。
3. 10.1016/j.jeconom.2026.106337 — Panel threshold regression with unobserved individual-specific threshold effects¶
- 作者: Ping Yu, Shengjie Hong, Peter C.B. Phillips
- 期刊/来源: Journal of Econometrics
- 机构: University of Hong Kong · Renmin University of China · Yale University · Cowles Foundation for Research in Economics
- 分类: vol 258 · pp 106337
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究面板阈值回归模型,其中阈值效应是未观测的个体特定参数,这与传统线性面板模型不同。作者证明在静态模型中进行组内差分或在动态模型中进行组内一阶差分无法得到阈值的一致估计,因此提出使用相关随机效应模型来处理这种一般面板阈值模型中的内生性。文章提供了一个统一的估计和推断框架,适用于静态和动态模型,且无论未观测的个体特定阈值效应是否存在。特别地,他们提出了替代的推断方法,这些方法在理论上优于现有方法。模拟研究和实证应用展示了新方法的实用性。
- 关键技术:
panel threshold regression,correlated random effects,adaptive Bonferroni inference,within-regime differencing,first-differencing - 为什么对您有用: 该论文涉及面板数据中的因果推断和内生性处理,与您的主要兴趣(因果推断中的纵向数据)和次要兴趣(经济理论中的应用因果工作)直接相关。其提出的相关随机效应模型和推断方法可能对您处理面板数据中的未观测异质性有借鉴意义。
高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶
1. 10.1016/j.jeconom.2026.106342 · arXiv — Robust estimation and inference for high-dimensional panel data models¶
- 作者: Jiti Gao, Fei Liu, Bin Peng, Yayi Yan
- 期刊/来源: Journal of Econometrics
- 机构: Monash University · University of Bath · Shanghai University of Finance and Economics
- 分类: vol 258 · pp 106342
- 相关性 7/10 · novelty:
new_method - 摘要: 本文针对高维面板数据模型,在允许非高斯、序列与截面相关及异方差误差的设定下,研究参数估计与推断问题。作者提出基于阈值化的长期协方差矩阵估计方法,并允许回归元个数以快于样本量的速度增长。技术上,他们建立了两个 Nagaev 型浓度不等式,分别针对部分和与二次型,并据此推导出 LASSO 估计的非渐近界、通过 node-wise LASSO 实现渐近正态性,以及阈值化 HAC 估计量的锐利收敛速率。理论结果应用于带交互效应的高维面板模型,并通过模拟和真实数据验证了方法的实用性。
- 关键技术:
Nagaev-type concentration inequalities,thresholded HAC estimator,node-wise LASSO,non-asymptotic bounds,high-dimensional panel data - 为什么对您有用: 该文属于高维统计与假设检验方向,与您的高维统计和随机矩阵理论兴趣直接相关;其 Nagaev 型不等式和阈值化协方差估计技术可用于处理相关误差下的高维推断问题。您可运用非常熟悉的高维渐近理论来验证其收敛速率的紧性,属于立即可做的方向。
2. 10.1016/j.jeconom.2026.106319 · arXiv — Spatio-temporal autoregressions for high dimensional matrix-valued time series¶
- 作者: Baojun Dou, Jing He, Sudhir Tiwari, Qiwei Yao
- 期刊/来源: Journal of Econometrics
- 机构: City University of Hong Kong · Southwestern University of Finance and Economics · London School of Economics and Political Science
- 分类: vol 258 · pp 106319
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对高维矩阵值时间序列提出两类时空自回归模型,其中列可表示资产的日内交易量曲线,行捕捉跨资产的同步5分钟区间,同时刻画空间与时间动态。由于时空自回归模型固有的内生性,OLS估计不一致;为此作者基于Yule-Walker方程构造广义矩估计框架,发展迭代广义Yule-Walker估计量,以同时估计两个具有带状结构的权重矩阵。与常规单一带宽参数不同,双带宽设定需要新的两步、基于比值的序贯估计程序。理论部分给出估计量的相合性与渐近正态性,并通过模拟和日内交易量曲线预测的实证研究验证方法有效性。对您而言,该文将高维矩阵时间序列与带状结构估计结合,其Yule-Walker矩条件思路可迁移至您熟悉的高维统计与因果推断中的纵向设定。
- 关键技术:
spatio-temporal autoregressive model,generalized Yule-Walker estimator,generalized method of moments,banded weight matrices,two-step ratio-based sequential estimation - 为什么对您有用: 该文属于高维矩阵时间序列与带状结构估计的交叉,直接关联您的高维统计兴趣;其Yule-Walker矩条件与双带宽序贯估计可视为一种新的估计框架,您可用熟悉的非参数统计与M估计理论检验其渐近性质;由于核心工具(Yule-Walker、GMM)均在您的武器库内,属于立即可做的方向。
数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶
1. 10.1016/j.jeconom.2026.106336 · arXiv — High dimensional alpha test for linear factor pricing model with Lq-norm¶
- 作者: Ping Zhao, Huifang Ma, Long Feng
- 期刊/来源: Journal of Econometrics
- 机构: Tiangong University · Nankai University
- 分类: vol 258 · pp 106336
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高维线性因子定价模型中零定价误差的检验问题。现有方法主要基于 L2 统计量(对稠密备择有效)或 L∞ 统计量(对极稀疏备择有效),本文提出一类基于 Lq 范数的检验(有限 q,含实用的 L4 和 L6),以桥接这两种极端情形。理论上证明更大的 q 对稀疏备择更敏感,并建立 L∞ 与任意有限 q 的 Lq 统计量之间的渐近独立性,据此构造 Cauchy 组合检验以适应不同稀疏度。模拟和真实数据分析表明所提方法对备择稀疏度更稳健,有限样本下优于现有方法。对您而言,该文将高维假设检验与因子定价模型结合,其 Lq 统计量的渐近理论(尤其是与 L∞ 的独立性)可联系您在高维统计和假设检验方面的兴趣。
- 关键技术:
Lq-norm statistics,Cauchy combination test,asymptotic independence,high-dimensional hypothesis testing,factor pricing model - 为什么对您有用: 该文属于高维假设检验方向,直接对应您 primary interests 中的 hypothesis testing 和高维统计。其核心是 Lq 统计量与 L∞ 的渐近独立性,您可用 very_familiar 的高维渐近工具(如极值理论、Gaussian approximation)验证或扩展其结论;中期可做:若想推广到更一般的相依结构,需在 moderately_familiar 的 M-estimation 理论上加强;暂不可做:若涉及计算复杂度下界则超出当前武器库。
统计计算 / 算法 (stat_computing, 1 篇)¶
1. 10.1016/j.jeconom.2026.106334 · arXiv — Iterative distributed multinomial regression¶
- 作者: Yanqin Fan, Yigit Okar, Xuetao Shi
- 期刊/来源: Journal of Econometrics
- 分类: vol 258 · pp 106334
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对大规模选择集的多项逻辑回归模型,提出一种迭代式分布式计算估计量。与极大似然估计相比,该估计量在计算速度上显著提升,且在初始估计量一致时,于弱优势条件下达到渐近效率。作者还基于该估计量提出参数自助推断程序并证明其一致性。大量模拟研究验证了方法的有效性和计算效率。该方法对您可能有用,因为它涉及分布式计算与渐近效率的权衡,与您对统计计算和效率理论的兴趣相关。
- 关键技术:
iterative distributed estimation,multinomial logistic regression,parametric bootstrap,asymptotic efficiency,weak dominance condition - 为什么对您有用: 本文属于统计计算方向,与您对统计计算和效率理论的兴趣相关。您可以用您熟悉的软件开发和估计理论工具来复现或扩展其算法,中期可做。
经济理论 / 应用 (econ_theory, 1 篇)¶
1. 10.1016/j.jeconom.2026.106321 · arXiv — Clustering with potential multidimensionality: Inference and practice¶
- 作者: Ruonan Xu, Luther Yap
- 期刊/来源: Journal of Econometrics
- 分类: vol 258 · pp 106321
- 相关性 7/10 · novelty:
new_method - 摘要: 本文在 M-估计框架下,从基于设计的视角(design-based)为多维聚类标准误提供了理论依据,考虑了抽样或分配的不确定性。现有方差估计程序要么保守要么无效,作者提出了一种改进的方差估计量,它在保持有效性的同时比保守程序更精确。文章进一步解释了实证中常见的聚类场景(如面板数据、分层抽样)对应的估计目标(estimand)和推断程序。核心贡献在于统一了聚类推断的理论基础,并给出了可操作的方差估计改进。对您而言,该文将聚类推断与 M-估计和半参数理论联系起来,可作为经济应用中因果推断的参考。
- 关键技术:
M-estimation,cluster-robust variance estimation,design-based inference,sampling uncertainty,assignment uncertainty - 为什么对您有用: (1) 本文属于经济理论/应用方向,与您的 secondary interest 中的经济理论(应用因果推断)直接相关,可作为入门读物理解聚类推断在实证经济中的角色。(2) 您的武器库中 'M-estimation theory' 和 'semiparametric theory' 足以支撑理解其理论推导,但若要深入评估其方差估计量的有限样本性质,可能需要补充 'higher-order U-statistics' 的视角(moderately_familiar)。(3) 本文值得花时间读全文,因为它提供了聚类推断的清晰理论框架,对您未来处理经济或流行病学数据时的推断问题有直接帮助。
其他 (other, 3 篇)¶
1. 10.1016/j.jeconom.2026.106325 · arXiv — Normal approximation for U-statistics with cross-sectional dependence¶
- 作者: Weiguang Liu
- 期刊/来源: Journal of Econometrics
- 分类: vol 258 · pp 106325
- 相关性 8/10 · novelty:
new_theory - 摘要: 本文研究横截面依赖(cross-sectional dependence)下二阶 U-统计量的正态逼近,目标是在 Wasserstein 度量下给出非退化与退化两种情形的收敛速率。作者采用 Stein 方法,将横截面依赖结构建模为稀疏依赖图,并利用混合率(mixing rate)与核矩条件刻画收敛速度。非退化情形推广了近期关于横截面相依随机变量和的渐近结果;退化情形因核的非线性引入额外依赖而更具挑战性,文中通过 Stein 方法的特定实现处理。主要结果给出了收敛速率对混合率、依赖稀疏性和核矩的显式依赖。最后,作者将理论应用于横截面依赖数据的非参数设定检验(nonparametric specification test)。对您而言,该文直接关联您对 higher-order U-statistics 的兴趣,尤其是退化 U-统计量的渐近理论,且其 Stein 方法技巧可能对您处理相关依赖结构下的推断问题有启发。
- 关键技术:
Stein's method,Wasserstein metric,degenerate U-statistics,cross-sectional dependence,mixing rates,nonparametric specification test - 为什么对您有用: 该文直接推进您 primary interest 中 higher-order U-statistics 的渐近理论,特别是退化情形的正态逼近,这是您 moderately_familiar 的领域。您可以用 very_familiar 的 higher-order U-statistics 计算(treewidth/tensor contraction)视角分析其依赖结构假设的可行性,或检验其收敛速率是否最优。中期可做:若想将结果推广到更高阶或更一般的依赖图,需在 semiparametric theory 上进一步积累。
2. 10.1016/j.jeconom.2026.106345 · arXiv — Nonparametric identification of first-price auction with unobserved competition: A density discontinuity framework¶
- 作者: Emmanuel Guerre, Yao Luo
- 期刊/来源: Journal of Econometrics
- 分类: vol 258 · pp 106345
- 相关性 6/10 · novelty:
application - 摘要: 本文研究独立私人价值(IPV)一级价格拍卖模型的非参数识别问题,分析者仅能观测到获胜出价。基准模型假设竞标者数量 N 外生,作者证明若竞标者能观测到 N,则获胜出价密度的不连续性可用于识别 N 的分布,进而第二步识别私人价值分布。第二类模型考虑由保留价或进入成本导致的内生 N,在竞标者可观测 N 时同样可利用出价不连续性识别;若不可观测,则需借助影响保留价或进入成本的工具变量。文章还推导了关于竞标者是否观测到竞争者数量以及内生参与来源的可检验约束。对美国林务局木材拍卖数据的应用表明,近三分之一的出价可能是非竞争性的,且竞争度量误差导致的风险厌恶偏差可能很大。
- 关键技术:
density discontinuity,nonparametric identification,first-price auction,instrumental variable,testable restrictions - 为什么对您有用: 本文属于经济理论/实证应用,涉及因果推断中的识别策略(密度不连续、工具变量),与您的经济理论(应用、模型、因果推断)次级兴趣相关。武器库中的识别理论(identification theory in causal inference)可用于理解其识别论证,但核心拍卖模型设定与您的主攻方向距离较远,作为入门读物可了解经济学中非参数识别的典型思路,但方法迁移性有限。
3. 10.1016/j.jeconom.2026.106317 · arXiv — Principal component analysis for a mix of stationary and nonstationary variables¶
- 作者: James D. Hamilton, Xinwei Ma, Jin Xi
- 期刊/来源: Journal of Econometrics
- 分类: vol 258 · pp 106317
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一种针对混合平稳与非平稳变量的主成分分析方法,目标是从中提取共同的周期因子。该方法无需事先知道哪些变量是非平稳的,也无需指定非平稳的具体形式(如单位根或趋势)。核心机制是对变量进行某种变换或标准化,使得非平稳成分不影响因子提取,从而在统一的框架下处理混合数据。作者给出了估计量的渐近性质,并通过模拟验证了其有限样本表现。在FRED-MD宏观经济数据集上的应用表明,该方法与传统PCA效果相当,但具有额外优势,如无需预先区分平稳性。对您而言,该方法涉及非平稳时间序列的因子模型,与您的高维统计和统计计算兴趣有一定关联,但并非核心方向。
- 关键技术:
principal component analysis,nonstationary time series,common cyclical factors,FRED-MD dataset - 为什么对您有用: 本文属于时间序列因子分析,与您的高维统计和统计计算兴趣有间接关联,但并非核心方向。作为gateway阅读,本文对非平稳数据的处理方式可能启发您在高维设定下的稳健性思考,但武器库中的工具(如U统计量、RMT)在此问题上的直接应用有限。建议作为拓展阅读,暂不可做。
Maintained by 陈星宇 · Homepage · Source on GitHub