The dynamic panel estimators develo

The dynamic panel estimators developed by Arellano and Bond (1991), Arellano and Bover
(1995) and Blundell and Bond (1998) are best for situations where there are panels with small
time periods (T) and large cross sections (N); the dependent variable is dynamic (depends on its
past values); independent variables are not strictly exogenous (they are correlated with past and
possibly current realizations of the error); and there are time invariant individual fixed effects
and heteroscedasticity and autocorrelation within individuals but not across them. The ArellanoBond estimation starts by transforming all regressors, usually by differencing, and uses the
generalized method of moments (GMM), and is called a difference GMM. The system GMM
estimator combines the standard set of equations in first-difference with a suitable lagged level as
instruments, and an additional set of equations in levels with suitably lagged first differences as
instruments. Generally, linear difference and system GMM estimators have one and two step
variants. The two step variant uses residuals from the one-step estimates and is asymptotically
more efficient than the one-step

Kết quả (Việt) 1:

Bảng điều khiển năng động estimators được phát triển bởi Arellano và trái phiếu (1991), Arellano và Bover(1995) và Blundell và trái phiếu (1998) là tốt nhất cho các tình huống nơi có bảng với nhỏkhoảng thời gian (T) và phần lớn đường (N); phụ thuộc vào biến là năng động (phụ thuộc vào nóqua giá trị); Các biến độc lập là không nghiêm chỉnh ngoại sinh (họ có tương quan với quá khứ vàcó thể hiện tại realizations lỗi); và có những ảnh hưởng cố định cá nhân bất biến thời gianvà heteroscedasticity và autocorrelation trong cá nhân, nhưng không phải qua chúng. Dự toán ArellanoBond bắt đầu bằng cách chuyển đổi tất cả regressors, thường là do differencing, và sử dụng cácTổng quát hóa phương pháp của những khoảnh khắc (GMM), và được gọi là một sự khác biệt GMM. Hệ thống GMMcông cụ ước tính kết hợp bộ tiêu chuẩn của các phương trình trong sự khác biệt đầu tiên với một mức độ phù hợp lagged lànhạc cụ, và một thiết lập thêm các phương trình ở cấp độ với phù hợp lagged khác biệt đầu tiên nhưdụng cụ. Nói chung, tuyến tính khác biệt và hệ thống GMM estimators có một và hai bướcPhiên bản. Phiên bản hai bước sử dụng dư từ các ước lượng One-bước và là tiệm cậnhiệu quả hơn One-bước

Kết quả (Việt) 2:

Các ước lượng bảng năng động phát triển bởi Arellano và trái phiếu (1991), Arellano và Bover
(1995) và Blundell và trái phiếu (1998) là tốt nhất cho tình huống mà có tấm bằng nhỏ
khoảng thời gian (T) và mặt cắt ngang lớn (N); biến phụ thuộc là năng động (phụ thuộc vào nó
giá trị trong quá khứ); biến độc lập không đúng ngoại sinh (họ có tương quan với quá khứ và
có thể hiện ngộ của lỗi); và có thời gian cá nhân bất biến hiệu ứng cố định
và ngẫu nhiên và mối tương quan trong cá nhân nhưng không qua chúng. Việc lập dự toán ArellanoBond bắt đầu bằng cách chuyển đổi tất cả các biến hồi quy, thường là bằng Differencing, và sử dụng
GMM (GMM), và được gọi là một sự khác biệt GMM. Hệ thống GMM
ước lượng kết hợp các bộ tiêu chuẩn của phương trình trong đầu khác biệt với một mức độ tụt phù hợp như
công cụ, và thiết lập một bổ sung của phương trình trong cấp độ với độ trễ thích hợp khác biệt đầu tiên là
nhạc cụ. Nói chung, tuyến tính ước lượng sự khác biệt và hệ thống GMM có một và bước hai
biến thể. Hai bước biến thể sử dụng dư từ dự toán một bước và là tiệm
hiệu quả hơn so với một bước