Smoothed GMM for quantile models
分位数模型的平滑广义矩估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕条件分位数限制与工具变量分位数回归，并允许非线性结构模型、估计效用模型导出的方程。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
分位数模型的平滑广义矩估计
- 研究问题
- 如何估计由一般条件分位数限制识别的有限维参数，并在工具变量分位数回归、相关数据与非线性结构模型中开展推断？
- 方法与思路
- 作者在 GMM 框架内平滑矩函数以改善计算和精度，推导一致性与渐近正态性，并估计分位数效用最大化导出的消费 Euler 方程。
- 材料陈述的贡献
- 摘要称，理论允许相关数据及非线性结构模型，所需假设弱于既有文献；同时以模拟和消费 Euler 方程应用展示方法。
- 阅读关注点
- 应核对条件分位数限制如何转化为矩条件、平滑参数选择及允许的数据依赖，并核实 Euler 方程的推导和经济参数解释。
- 阅读边界
- 仅据所列出版社摘要，较弱假设的具体内容和比较基准未说明；计算、精度及厚尾稳健性方面的优势需结合模型条件判断。
原文摘要
We consider estimation of finite-dimensional parameters identified by general conditional quantile restrictions, including instrumental variables quantile regression. Within a generalized method of moments framework, moment functions are smoothed to aid both computation and precision. Consistency and asymptotic normality are established under weaker assumptions than previously seen in the literature, allowing dependent data and nonlinear structural models. Simulations illustrate the finite-sample properties. An in-depth empirical application estimates the consumption Euler equation derived from quantile utility maximization. Advantages of quantile Euler equations include robustness to fat tails, decoupling risk attitude from the elasticity of intertemporal substitution, and error-free log-linearization.