Description du projet
L’inférence robuste pour les jeux de données de panel et de réseau
La disponibilité avancée des données en économie permet d’accéder à des ensembles de données plus riches et plus complexes. Cependant, la structure fondamentale du réseau est généralement peu dense, ce qui nous permet d’observer seulement un petit sous-ensemble de toutes les perspectives possibles. En outre, la combinaison de la rareté et d’un grand nombre de paramètres pose des problèmes économétriques complexes. Le projet PANEDA, financé par l’UE, développera des méthodes d’inférence robustes pour les ensembles de données sporadiques de panel et de réseau. Le projet établira une représentation mathématique du réseau permettant la formalisation de résultats d’inférence asymptotiques pour des séquences de réseau croissantes. PANEDA développera par conséquent de nouvelles méthodes de correction des biais et d’évaluation des erreurs standard robustes et fera progresser des méthodes de modélisation et d’évaluation plus précises pour les données non informatives sur les paramètres d’intérêt.
Objectif
Improved data availability in Economics provides access to richer datasets with increased complexity. There is regularly a network aspect to the data, whenever outcomes are observed for matches of different economic units (e.g. households, individuals, firms, products, markets). Such observations include, e.g. wages for workers in firms, academic achievement for students taught by teachers in schools, and purchasing decisions for consumers in stores. The underlying network structure is often sparse, because we only observe a small subset of all possible matches, say between workers and firms. In addition, we aim to estimate models with many parameters, for example to control for and to estimate unobserved heterogeneity of economic units by including (e.g. worker and firm specific) fixed effects.
The combination of sparsity of the underlying network structure and a large number of parameters in the model creates challenging Econometric problems. In particular, there is a serious gap between empirical practice, where applied researchers regularly use such sparse network datasets, and the theoretical justifications for those inference methods that are based on classic data structures (cross-sectional, time-series, and panel data) that do not account for the sparsity aspect of the data.
The goal of this research project is to develop robust inference methods for such sparse panel and network datasets. This requires to establish a mathematical representation of the network that allows to formalize asymptotic inference results for sequences of growing networks. Subsequently, new bias correction and robust standard error estimation methods will be developed that account for the sparsity structure of the data. I will also advance more parsimonious modeling and estimation approaches (e.g. grouped heterogeneity or empirical Bayes) for situations where the data are otherwise uninformative for the parameters of interest.
Champ scientifique
Mots‑clés
Programme(s)
Régime de financement
ERC-COG - Consolidator GrantInstitution d’accueil
OX1 2JD Oxford
Royaume-Uni