Group structure detection for a high‐dimensional panel data model. Issue 3 (14th August 2021)

• Record Type: Journal Article
• Authors: Wang, Wu; Zhu, Zhongyi
• Is Part Of: Canadian journal of statistics. Volume 50:Issue 3(2022)
• Page Start: 852
• Page End: 866
• Publication Date: 2021-08-14
• Subjects: Panel data -- penalized estimator -- subgroup analysis -- ultra‐high‐dimensional data; Mathematical statistics -- Periodicals; 519.5
• DOI: 10.1002/cjs.11646
• Languages: English
• ISSNs: 0319-5724

Abstract

Abstract : This article investigates latent group structures in a high‐dimensional panel data model. It is assumed that subjects are classified into unobserved groups, where the fixed effects for each subject are the same within a group but heterogeneous across different groups. A penalized regression approach is proposed to identify latent group structures and significant covariates simultaneously. A new algorithm is proposed to optimize the objective function. When the sample size goes to infinity, it is shown that the proposed estimator recovers latent group structures and important covariates with probability approaching one. The finite sample performance of the proposed estimator is evaluated through Monte Carlo studies and illustrated using a real dataset. Résumé : Dans cet article, les auteurs étudient les structures de groupes latents au sein de modèles pour données de panel en haute dimension. Sous l'hypothèse d'homogénéité intra groupes et d'hétérogénéité inter groupes, une régression pénalisée est utilisée pour fin d'identification simultanée des covariables significatives et celle des structures de groupes latents. Un nouvel algorithme a dû être élaboré pour optimiser la fonction objective correspondant à cette étape de modélisation. Ensuite, les auteurs démontrent que l'estimateur proposé a de bonnes propriétés asymptotiques dans le sens que l'identification des structures latentes et celle des covariables importantes est réalisée avec une probabilité qui tend vers un. Les performances, à distance finie, est illustrée à l'aide de simulations Monte Carlo et une analyse de données réelles.