Bayesiaanse en niet-Bayesiaanse methoden voor de eliminatie van hoog-dimensionele “nuisance” parameters

Economisch onderzoek maakt steeds meer gebruik van paneldata. Om latente heterogeniteit onder controle te houden (bijv. heterogeniteit in technologie van bedrijven, heterogeniteit in voorkeuren van consumenten, heterogeniteit van docenten en studenten in gekoppelde student-docent data) is het gebruikelijk om agent-specifieke parameters (bijv. additieve vaste effecten) op te nemen in modellen voor paneldata. Dergelijke parameters betekenen een hoog-dimensionele overlast en leiden in veel modellen tot een incidenteel parameter probleem: klassieke methoden zoals kleinste kwadraten en maximale aannemelijkheid zijn inconsistent voor de schatting van modelparameters die identiek zijn voor alle agenten. Dit onderzoek beoogt recente exacte of benaderende oplossingen voor incidentele parameter problemen uit te breiden in nieuwe en belangrijke richtingen: (i) Bayesiaanse biascorrecties van de aannemelijkheidsfunctie via de posterior predictieve dichtheid of via verfijnde implementatie van bias-reducerende priors; (ii) correcties, via empirische aannemelijkheid, voor incidentele parameter bias in het GMM kader; (iii) afleiden van theoretische grenzen aan de incidentele parameter bias in regressiemodellen met censurering (waar simulaties aantonen dat de bias klein is). Samenvattend zijn er veel situaties waarbij onderzoekers van nature gebruik maken van agent-specifieke parameters. Mijn doel is om in dergelijke omstandigheden betrouwbare methoden voor inferentie te bieden.