Descrizione del progetto
Un’interferenza stabile per serie di dati di pannello e rete
La disponibilità avanzata di dati nell’ambito dell’economia permette l’accesso a serie di dati più ricchi con maggiore complessità. Tuttavia, la struttura di rete fondamentale risulta solitamente sparsa, permettendo l’osservazione di solo un piccolo sottoinsieme di tutte le possibili prospettive. Allo stesso tempo, la combinazione di sparsità e un grande numero di parametri presenta alcuni problemi econometrici difficili da affrontare. Il progetto PANEDA, finanziato dall’UE, elaborerà alcuni metodi di interferenza stabile per serie di dati di pannello e rete sparsi, definendo una rappresentazione matematica della rete che permette la formalizzazione di risultati asintotici dell’interferenza per sequenze di rete crescenti. Successivamente, il progetto PANEDA svilupperà nuovi metodi di correzione degli errori sistematici e di valutazione solida degli errori standard, sviluppando metodi di modellazione e valutazione più approfonditi per i dati non informativi nei parametri di interesse.
Obiettivo
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.
Campo scientifico
Parole chiave
Programma(i)
Argomento(i)
Meccanismo di finanziamento
ERC-COG - Consolidator GrantIstituzione ospitante
OX1 2JD Oxford
Regno Unito