Econometria dei dati panel a grandi dimensioni: Test, stima e cambiamenti strutturali

Econometria dei dati panel a grandi dimensioni: Test, stima e cambiamenti strutturali (Feng Qu)

Titolo originale:

Large-Dimensional Panel Data Econometrics: Testing, Estimation and Structural Changes

Contenuto del libro:

Questo libro si propone di colmare il divario tra i manuali di econometria dei dati panel e gli ultimi sviluppi sui "big data", in particolare l'econometria dei dati panel di grandi dimensioni.

Introduce importanti questioni di ricerca sui panel di grandi dimensioni, tra cui la verifica della dipendenza trasversale, la stima di modelli di dati panel ad incremento fattoriale, le interruzioni strutturali nei panel e i modelli di gruppo nei panel. Per affrontare questi problemi ad alta dimensionalità, vengono illustrate anche alcune tecniche utilizzate negli approcci di Machine Learning.

Inoltre, vengono utilizzati esperimenti Monte Carlo ed esempi empirici per mostrare come implementare questi nuovi metodi di inferenza. Large-Dimensional Panel Data Econometrics: Testing, Estimation and Structural Changes introduce anche nuove domande di ricerca e risultati della letteratura recente in questo campo.

Altre informazioni sul libro:

ISBN:9789811220777
Autore:
Editore:
Rilegatura:Copertina rigida
Anno di pubblicazione:2020
Numero di pagine:168

Acquisto:

Attualmente disponibile, in magazzino.

Lo compro!

Altri libri dell'autore:

Econometria dei dati panel a grandi dimensioni: Test, stima e cambiamenti strutturali -...
Questo libro si propone di colmare il divario tra i...
Econometria dei dati panel a grandi dimensioni: Test, stima e cambiamenti strutturali - Large-Dimensional Panel Data Econometrics: Testing, Estimation and Structural Changes

Le opere dell'autore sono state pubblicate dai seguenti editori:

© Book1 Group - tutti i diritti riservati.
Il contenuto di questo sito non può essere copiato o utilizzato, né in parte né per intero, senza il permesso scritto del proprietario.
Ultima modifica: 2024.11.08 20:28 (GMT)