MARC

 008260126s2025        us                              c    eng  d
■001000017356666
■00520260202103013
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280756205
■035    ▼a(MiAaPQ)AAI31842934
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aGonzalez  Casasus,  Oriol.
■24510▼aEssays  in  Econometrics:  Group  Heterogeneity  and  Misspecification
■260    ▼a[Sl]▼bUniversity  of  Pennsylvania▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a235  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Cheng,  Xu;Schorfheide,  Frank.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2025.
■520    ▼aHeterogeneity  is  pervasive  in  social  sciences  and  manifests  in  many  forms  across  economic  agents  and  over  time.  Examples  include  preferences  for  products,  effects  of  governmental  policies,  capital  and  labor  decisions  by  firms,  investment  strategies  by  financial  agents,  and  a  large  etcetera.  Economic  and  statistical  models  are  by  construction  a  stylized  version  of  reality  and  group  heterogeneity,  if  not  properly  accounted  for,  can  lead  to  model  misspecification.  An  important  question  is  then  whether  such  misspecification  transmits  to  the  economic  predictions  derived  from  those  models,  and  what  are  the  implications  thereof.  A  related  question  is  how  much  heterogeneity  can  be  provably  captured.This  dissertation  studies  these  two  related  problems-heterogeneity  and  misspecification-from  an  econometric  perspective  in  three  independent  chapters.  Chapter  1  treats  both  problems  together  by  studying  a  model  which  allows  for  time-varying  group-specific  unobserved  heterogeneity,  but  is  misspecified  such  that  the  latent  group  structure  cannot  be  accurately  recovered.  I  show  how  auxiliary  data  can  help  mitigate  misspecification  and  consistently  recover  time-varying  group  heterogeneity  in  an  optimal  way.  To  that  end,  I  propose  the  Covariate-Assisted  Shrinkage  estimator,  derive  several  analytical  properties,  and  study  its  performance  through  simulation  experiments  and  one  empirical  application.Chapters  2  and  3  zoom  in  on  each  of  the  aforementioned  problems  individually.  Chapter  2  studies  how  much  heterogeneity  can  be  allowed  while  still  able  to  guarantee  valid  statistical  inference.  The  framework  assumes  that  statistical  dependence  stems  from  links  in  an  underlying  network.  The  strength  of  dependence  is  left  unrestricted,  and  conditions  are  given  based  on  the  network  topology.  Chapter  3  investigates  how  we  should  adapt  our  decisions  in  the  (potential)  presence  of  model  misspecification.  The  starting  point  is  a  dynamically  misspecified  model  that  is  used  for  forecasting  and  impulse  response  estimation.  The  results  show  that  the  consequences  of  model  misspecification  are  meaningful,  and  using  misspecification-robust  methods  like  the  proposed  PC  and  IRFC  selection  criteria  proves  crucial.
■590    ▼aSchool  code:  0175.
■650  4▼aStatistics
■653    ▼aEconometrics
■653    ▼aHeterogeneity
■653    ▼aMisspecification
■653    ▼aInvestment  strategies
■690    ▼a0501
■690    ▼a0511
■690    ▼a0601
■690    ▼a0463
■71020▼aUniversity  of  Pennsylvania▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356666▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서