Split-Panel Jackknife Schätzung von Fixed-Effect-Modellen

Die Maximum-Likelihood-Schätzung nichtlinearer Modelle mit Fixed Effects unterliegt dem Incident-Parameter-Problem. Dies impliziert typischerweise, dass Punkt-Schätzungen von großem Bias betroffen sind und die Konfidenzintervalle eine schlechte Abdeckung aufweisen. Dieser Artikel präsentiert eine Jackknife-Methode, um diesen Bias zu reduzieren und um Konfidenzintervalle zu erhalten, die unter den asymptotischen Bedingungen eines rechteckigen Arrays korrekt zentriert sind. Die Methode ist ausdrücklich darauf ausgelegt, Dynamiken in den Daten zu berücksichtigen, und liefert Schätzer, die einfach zu implementieren sind und auf eine Reihe von Modellen und Schätzzielen angewendet werden können. Wir bieten eine Verteilungstheorie für Schätzer von Modellparametern und durchschnittlichen Effekten, präsentieren Validitätstests für das Jackknife und betrachten Erweiterungen zur Bias-Korrektur höherer Ordnung und zu Zwei-Schritt-Schätzproblemen. Eine empirische Veranschaulichung im Zusammenhang mit der Teilnahme von Frauen am Arbeitsmarkt wird ebenfalls bereitgestellt.