Inference in High-Dimensional two-way Panel Data Models

Abstract

The aim of this master thesis is to obtain a √ NT - consistent and asymptotically normal estimation for a triangular simultaneous two-way high-dimensional panel data model. Estimating such models is challenging due to endogeneity from two sources: the correlation between variables in a two-way panel and the dependence between covariates and the error term. This thesis proposes a two-stage estimator where individual and time effects are first removed, followed by an instrumental variable estimation. Given high-dimensional data sets where the number of covariates exceeds the sample size, traditional methods fail. Instead, the Lasso method and its variants, Cluster-Lasso and Post-Lasso, are used for estimation, providing consistency and asymptotic normality under specific conditions.

El objetivo de este trabajo de fin de máster es obtener una estimación √ NT - consistente y asintóticamente normal para un modelo de datos de panel triangular simultáneo de alta dimensión con efectos fijos individuales y temporales. La estimación de este tipo de modelos supone un reto debido a la endogeneidad de dos fuentes: la correlación entre variables en un panel con dos efectos fijos y la dependencia entre covariables y el término de error. Este trabajo propone un estimador en dos etapas en el que primero se eliminan los efectos individuales y temporales, seguido de una estimación de variables instrumentales. Ante conjuntos de datos de alta dimensión en los que el número de covariables supera el tamaño de la muestra, los métodos tradicionales fallan. En su lugar, el método Lasso y sus variantes, Cluster-Lasso y Post-Lasso, se utilizan para la estimación, proporcionando consistencia y normalidad asintótica bajo condiciones específicas.