Opis projektu
Skuteczne wnioskowanie na podstawie danych panelowych i sieciowych
Coraz większa dostępność danych w dziedzinie ekonomii umożliwia naukowcom dostęp do bogatszych zbiorów danych charakteryzujących się zwiększoną złożonością. Leżąca u ich podstaw struktura sieci jest jednak często rozrzedzona, co pozwala na obrazowanie zaledwie niewielkiego podzbioru wszystkich możliwości. Jednocześnie połączenie rzadkości i dużej liczby parametrów jest źródłem wielu problemów natury ekonometrycznej. Zespół finansowanego ze środków Unii Europejskiej projektu PANEDA zamierza opracować skuteczne metody wnioskowania wykorzystujące rozrzedzone zbiory danych panelowych i sieciowych. W ramach projektu powstanie matematyczna reprezentacja sieci pozwalająca na formalizację asymptotycznych wyników wnioskowania dla sekwencji rozrastających się sieci. Badacze skupieni wokół projektu PANEDA zamierzają również opracować nowe metody korekcji odchylenia oraz oceny błędów standardowych, a także rozwijać bardziej ścisłe metody modelowania i oceny danych nieinformacyjnych w zakresie interesujących parametrów.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
ERC-COG - Consolidator GrantInstytucja przyjmująca
OX1 2JD Oxford
Zjednoczone Królestwo