MARC

 008250123s2024        us                              c    eng  d
■001000017161335
■00520250211151341
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384447450
■035    ▼a(MiAaPQ)AAI31242267
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aSbai  Sassi,  Yassine.
■24510▼aEssays  in  Network  Econometrics
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a188  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Graham,  Bryan  S.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aThis  dissertation  studies  estimation  and  inference  on  models  with  dyadic  dependence,  that  is  models  for  double  indexed  observations  where  observations  are  correlated  whenever  they  share  an  index.  Data  exhibiting  this  form  of  dependence  are  commonplace:  from  international  trade  (e.g.  Rose  (2004))  to  sales  on  online  platforms  (e.g.  Bajari  et  al.  (2023))  or  social  networks  (Fafchamps  and  Gubert  (2007)).  Because  of  the  particular  dependence  structure,  very  little  is  known  about  efficiency  in  these  models.  For  instance,  for  parametric  models,  only  a  handful  of  examples  have  likelihood  functions  or  maximum  likelihood  estimators  that  can  be  expressed  in  closed  form  or  that  are  computationally  feasible.  The  analyst  is  forced  to  sacrifice  efficiency  for  computational  ease  and  tractability.  Unfortunately,  unlike  cross-sectional  models,  efficiency  losses  in  dyadic  models  can  manifest  as  drops  in  rates  of  convergence  rather  than  just  asymptotic  variance,  immensely  impacting  the  precision  of  estimation.The  dissertation  explores  new  estimation  methods  for  different  dyadic  models,  with  a  particular  attention  to  efficiency  and  computational  feasibility.  Each  of  The  three  chapters  in  this  dissertation  studies  a  set  of  dyadic  models  and  estimators  for  those  models.  The  first  and  last  chapters  present  efficiency  results.In  the  first  chapter  I  propose  a  two  step  rate  optimal  estimator  for  an  undirected  dyadic  linear  regression  model  with  interactive  unit-specific  effects.  The  estimator  remains  consistent  when  the  individual  effects  are  additive  rather  than  interactive.  We  observe  that  the  unit-specific  effects  alter  the  eigenvalue  distribution  of  the  data's  matrix  representation  in  significant  and  distinctive  ways.  We  offer  a  correction  for  the  ordinary  least  squares'  objective  function  to  attenuate  the  statistical  noise  that  arises  due  to  the  individual  effects,  and  in  some  cases,  completely  eliminate  it.  The  new  objective  function  is  similar  to  the  least  squares  estimator's  objective  function  from  the  large  N  large  T  panel  data  literature  (Bai  (2009)).  In  general,  the  objective  function  is  ill  behaved  and  admits  multiple  local  minima.  Following  a  novel  proof  strategy,  we  show  that  in  the  presence  of  interactive  effects,  an  iterative  process  in  line  with  Bai  (2009)'s  converges  to  a  global  minimizer  and  is  asymptotically  normal  when  initiated  properly.  The  new  proof  strategy  suggests  a  computationally  more  advantageous  and  asymptotically  equivalent  estimator.  While  the  iterative  process  does  not  converge  when  the  individual  effects  are  additive,  we  show  that  the  alternative  estimator  remains  consistent  for  all  slope  parameters.Chapter  2  proposes  a  general  procedure  to  construct  estimators  for  exchangeable  network  models.  For  any  network  model,  consider  an  auxiliary  i.i.d.  model  where  each  observation  has  the  same  distribution  as  any  observation  in  the  original  model.  The  procedure  returns  estimators  for  the  original  model  whenever  valid  estimators  are  known  in  the  auxiliary  i.i.d.  model.  The  chapter  then  studies  the  asymptotic  behavior  of  the  "the  average  MLE",  the  estimators  returned  by  the  procedure  for  parametric  binomial  network  models.  I  show  that  the  average  MLE  behaves  asymptotically  like  the  composite  maximum  likelihood  estimator.  Interestingly,  the  average  MLE  does  not  require  the  entire  network  to  be  observed.  For  instance,  I  show  that  for  a  balanced  bipartite  graph,  observing  almost  any  sub-graph  with  more  than  N3/2+ϵ  edges  for  some  ϵ    0  (out  of  the  total  N2  edges)  is  enough  for  the  asymptotic  result  to  hold.  These  results  are  readily  extendable  beyond  the  binomial  model.The  final  chapter  studies  the  properties  of  the  maximum  likelihood  estimator  (MLE)  for  exponential  families  of  distributions  on  network  data.  I  show  that,  under  some  conditions,  the  MLE  is  asymptotically  normally  distributed  with  an  asymptotic  variance  equal  to  the  inverse  of  the  information  matrix.  I  also  show  that  under  those  same  conditions,  the  MLE  is  efficient  compared  to  regular  estimators  with  the  same  rate  of  convergence.  This  extends  well  known  results  on  MLE  for  i.i.d.  models.
■590    ▼aSchool  code:  0028.
■650  4▼aStatistics
■650  4▼aMathematics
■653    ▼aInternational  trade
■653    ▼aAsymptotic  variance
■653    ▼aLinear  regression
■653    ▼aPanel  data  literature
■690    ▼a0501
■690    ▼a0405
■690    ▼a0601
■690    ▼a0463
■71020▼aUniversity  of  California,  Berkeley▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161335▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books