MARC

 008250123s2024        us                              c    eng  d
■001000017161537
■00520250211151410
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384453109
■035    ▼a(MiAaPQ)AAI31292521
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aDano,  Kevin.
■24510▼aEssays  in  Panel  Data  and  Network  Econometrics
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a183  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Graham,  Bryan  S.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aThis  dissertation  studies  how  to  leverage  the  unique  characteristics  of  panel  and  network  data,  particularly  repeated  observations  and  symmetries,  to  recover  the  structural  parameters  of  three  econometric  models  of  theoretical  and  applied  interest.In  Chapter  1,  I  study  parameter  identifiability  and  estimation  of  dynamic  discrete  choice  models  with  strictly  exogenous  regressors,  fixed  effects  and  logistic  errors.  Specifications  of  this  kind  are  popular  in  Labor  Economics  and  Industrial  Organization  to  disentangle  the  sources  of  serial  persistence  in  agents'  decisions.  The  primary  challenge  lies  in  the  nonlinearity  of  these  models,  making  the  treatment  of  fixed  effects  difficult  in  short  panel  settings.  I  introduce  a  new  method  that  exploits  the  structure  of  logit-type  probabilities  and  elementary  properties  of  rational  fractions  to  derive  moment  restrictions  in  a  broad  class  of  models.  This  includes  binary  response  models  of  arbitrary  lag  order  as  well  as  first-order  panel  vector  autoregressions  and  dynamic  multinomial  logit  models.  These  moment  restrictions  are  free  from  the  fixed  effects  and  provide  a  natural  way  to  estimate  the  common  parameters  via  the  Generalized  Method  of  Moments.  I  further  establish  the  identification  of  a  class  of  average  marginal  effects  which  are  often  of  importance  in  empirical  work.  The  approach  is  illustrated  through  an  analysis  of  the  dynamics  of  drug  consumption  amongst  young  people  in  a  nationally  representative  sample.In  Chapter  2,  coauthored  with  Stephane  Bonhomme  and  Bryan  Graham,  we  study  identification  in  a  binary  choice  panel  data  model  with  a  single  predetermined  binary  covariate  (i.e.,  a  covariate  sequentially  exogenous  conditional  on  lagged  outcomes  and  covariates).  The  choice  model  is  indexed  by  a  scalar  parameter  θ,  whereas  the  distribution  of  unit-specific  heterogeneity,  as  well  as  the  feedback  process  that  maps  lagged  outcomes  into  future  covariate  realizations,  are  left  unrestricted.  This  setup  departs  from  Chapter  1  which  imposed  strict  exogeneity  of  explanatory  variables,  effectively  ruling  out  any  influence  of  past  outcomes  oncovariates.  In  this  framework,  we  provide  a  simple  condition  under  which  θ  is  never  point-identified,  no  matter  the  number  of  time  periods  available.  This  condition  is  satisfied  in  most  models,  including  the  logit  one.  We  also  characterize  the  identified  set  of  θ  and  show  how  to  compute  it  using  linear  programming  techniques.  While  θ  is  not  generally  point-identified,  its  identified  set  is  informative  in  the  examples  we  analyze  numerically,  suggesting  that  meaningful  learning  about  θ  may  be  possible  even  in  short  panels  with  feedback.  As  a  complement,  we  report  calculations  of  identified  sets  for  an  average  partial  effect,  and  find  informative  sets  in  this  case  as  well.In  Chapter  3,  I  present  an  approach  to  address  network  endogeneity  in  a  linear  social  interaction  model.  I  consider  a  setting  wherein  individual-specific  latent  random  effects  influence  both  outcomes  and  link  formation  modelled  as  a  conditionally  independent  dyad  process.  Using  the  exchangeability  properties  of  the  framework,  I  show  that  controlling  or  matching  individuals  by  degree-centrality  can  be  sufficient  to  eliminate  the  omitted  variable  bias  induced  by  endogenous  peer  selection.  I  leverage  this  result  and  insights  from  Bramoulle  et  al.  (2009)  for  the  case  of  exogenous  friendships  to  present  two  simple  strategies  for  the  identification  and  estimation  of  social  effects.  Asymptotic  properties  of  the  proposed  estimators  are  derived  for  clustered  samples  and  I  illustrate  their  performance  in  Monte  Carlo  simulations.
■590    ▼aSchool  code:  0028.
■650  4▼aStatistics
■653    ▼aDynamic  discrete  choice
■653    ▼aFixed  effects
■653    ▼aPanel  data
■653    ▼aPartial  identification
■653    ▼aPeer  effects
■690    ▼a0501
■690    ▼a0510
■690    ▼a0463
■71020▼aUniversity  of  California,  Berkeley▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161537▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books