TL;DR
- چکیده:.
- ما کاهش تعصب مبتنی بر احتمال را برای مدلهای پانل غیرخطی با اثرات افزایشی فردی و زمانی ایجاد.
- میکنیم.
چه اتفاقی افتاد
چکیده:. ما کاهش تعصب مبتنی بر احتمال را برای مدلهای پانل غیرخطی با اثرات افزایشی فردی و زمانی ایجاد.
میکنیم. در پانلهای دو طرفه،.
اصلاحات احتمال یکپارچه جذاب اما چالش برانگیز هستند زیرا ادغام مورد نیاز ابعاد بالایی دارد و تقریبهای. استاندارد لاپلاس ممکن است زمانی که بعد پارامتر با اندازه نمونه رشد میکند شکست بخورد.
ما یک لاپلاس تمام نمایی متمرکز-مرکز را پیشنهاد میکنیم - بسط تجمعی که از ساختار مشتقات مرتبه بالاتر. پراکنده ناشی از اثرات افزایشی بهرهبرداری میکند،.
و یک تقریب قابل حمل با باقیمانده ناچیز را تحت مجانبیهای بزرگ $N،. T$ ارائه میدهد.
این بسط،. اولویتهای قوی را ایجاد میکند که هم برای پارامترهای رایج و هم برای اثرات ثابت،.
کاهش سوگیری را به همراه دارد. ما پیادهسازیهایی را برای مدلهای پاسخ باینری، مرتب شده و چندجملهای با جلوههای دو طرفه ارائه میکنیم.
برای اثرات جزئی متوسط،. ما نشان میدهیم که باقی مانده است بایاس مرتبه اول یک فرم واریانس ساده دارد و می.
تواند با تنظیم فرم بسته حذف شود. آزمایشات مونت کارلو و یک تصویر تجربی کاهش تعصب قابل توجهی را با استنتاج دقیق نشان میدهد.
اقتصاد سنجی (econ. EM)؛ نظریه آمار (math.
ST) استناد بهعنوان: (یا v1 [econ. EM] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Mingli Chen [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 09:.
30:. 43 UTC (218 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.