@TechReport{dp-319,
  author        = {Hübler, Olaf},
  astring       = {Olaf Hübler},
  title         = {Panel Data Econometrics: Modelling and Estimation},
  month         = {August},
  year          = {2005},
  pages         = {36},
  size          = {306K},
  institution   = fb,
  type          = dp,
  issn          = fb:issn,
  number        = {319},
  language      = {en},
  keywords      = {panel data, linear multilevel, nonlinear, non- and
                  semiparametric models},
  jelclass      = {C14, C23, C24, C25},
  abstract      = {This paper presents a survey on panel data methods in
                  which Iemphasize new developments. Inparticular, linear
                  multilevel models with a new variant are discussed.
                  Furthermore, non-linear, nonparametric and semiparametric
                  models are analyzed. In contrast to linear models there do
                  not exist unified methods for nonlinear approaches. In this
                  case FEM are dominated by CML methods. Under REM
                  assumptions it is often possible to use the ML method
                  directly. As alternatives GMM and simulated estimators
                  exist. If the nonlinear function is not exactly known,
                  nonparametric or semiparametric methods should be
                  preferred.},
  zfassung      = {Der Beitrag gibt einen Überblick über Methoden zur
                  Paneldatenanalyse, wobei neuere Methoden im Vordergrund
                  stehen. Insbesondere werden lineare Mehrebenenmodelle unter
                  Berücksichtigung einer neuen Variante diskutiert. Aßerdem
                  ist die Analyse auf nichtlineare, nicht- und
                  semiparametrische Verfahren ausgerichtet. Im Gegensatz zu
                  linearen Modellen existiert bei nichtlinearen Ansätzen
                  keine einheitliche Schätzstrategie. Im Falle von
                  Fixed-Effects-Modellen dominiert die bedingte ML-Methode.
                  Unter den Annah men eines Random-Ansatzes ist es oft
                  möglich, die ML-Methode direkt zu nutzen. Alternativen
                  bilden GMM-Schätzer und simulierte Schätzer. Wenn die
                  nichtlineare Funktion nicht genau bekannt ist, sind nicht-
                  oder semiparametrische Schätzer zu präferieren.}
}