Bayesian Panel Variable Selection Under Model Uncertainty for High-Dimensional Data

Pastpipatkul, Pathairat

doi:10.3390/econometrics14010003

2026-01-04

Pastpipatkul, Pathairat

Ko, Htwe *

DOI：10.3390/econometrics14010003

原文链接

查看原文

摘要

En 中文

在高维面板数据中选择相关协变量仍然是应用计量经济学中的核心挑战。传统的固定效应和随机效应模型并非为在模型不确定性下的系统性变量选择而设计。此外，许多现有模型（如机器学习中的LASSO或贝叶斯方法，如模型平均、贝叶斯加性回归树和具有收缩与扩散先验的贝叶斯变量选择）主要针对时间序列分析开发。本文开发了贝叶斯面板变量选择（BPVS）模型，并将其应用于模拟和实证研究。这些模型旨在帮助研究人员识别哪些输入协变量最为重要，同时通过贝叶斯层次建模和后验推断确定其效应应视为固定效应还是随机效应，这联合考虑了变量重要性排序。模拟研究和关于主观幸福感社会经济决定因素的实证应用均表明，贝叶斯面板模型在收敛稳定性、预测准确性和可靠变量选择方面优于经典模型。相比之下，经典面板模型因其计算效率高和简单性仍具吸引力。Hausman检验用作稳健性检验。本研究为处理高维面板分析中的模型不确定性提供了一种计量经济学方法，并提供了开源R 4.5.1代码以支持未来应用。

Keyword:

BPVS

variable importance ranking

model uncertainty