Robust penalized quantile regression estimation for panel data
面板数据的稳健惩罚分位数回归估计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：摘要直接研究面板个体效应与惩罚分位数回归。
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…
关注这篇论文的作者
面板数据的稳健惩罚分位数回归估计
- 研究问题
- 如何通过惩罚把面板个体效应收缩到共同值，在保留分位数回归目标的同时降低估计波动，并选择收缩强度？
- 方法与思路
- 作者研究带个体效应惩罚的分位数回归，在一类零中位数个体效应分布下建立渐近理论，并按估计渐近方差选择调参值。
- 材料陈述的贡献
- 摘要称该类估计量在所述分布条件下渐近无偏且服从高斯极限；模拟显示相较固定效应版本可降低变异而不引入偏差。
- 阅读关注点
- 应核对零中位数分布类、面板维度的渐近安排、惩罚参数尺度，以及方差估计和调参是否计入选择过程的不确定性。
- 阅读边界
- 出版社摘要未列出完整正则条件、面板维度要求或模拟数值；无偏与降方差结论不能无条件推广到任意个体效应分布。
原文摘要
This paper investigates a class of penalized quantile regression estimators for panel data. The penalty serves to shrink a vector of individual specific effects toward a common value. The degree of this shrinkage is controlled by a tuning parameter [lambda]. It is shown that the class of estimators is asymptotically unbiased and Gaussian, when the individual effects are drawn from a class of zero-median distribution functions. The tuning parameter, [lambda], can thus be selected to minimize estimated asymptotic variance. Monte Carlo evidence reveals that the estimator can significantly reduce the variability of the fixed-effect version of the estimator without introducing bias.