Cluster-Robust Bootstrap Inference in Quantile Regression Models
分位数回归模型的聚类稳健 Bootstrap 推断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：摘要明确研究线性分位数回归及其整个分位数过程的推断；聚类结构本身不足以认定为面板数据。
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
分位数回归模型的聚类稳健 Bootstrap 推断
- 研究问题
- 在线性分位数回归中，当观测分属于许多规模较小且异质的聚类时，如何对整个分位数回归过程进行稳健推断？
- 方法与思路
- 作者构造用于聚类稳健推断的 wild bootstrap，在大量小型异质聚类的框架下研究过程推断与协方差函数估计。
- 材料陈述的贡献
- 摘要称 bootstrap 对整个分位数回归过程渐近有效，协方差函数估计一致，并提供 Project STAR 数据应用。
- 阅读关注点
- 应核对聚类间及聚类内依赖条件、聚类数和规模的渐近要求、bootstrap 权重构造，以及过程推断覆盖的分位数范围。
- 阅读边界
- OpenAlex 摘要未注明稿件版本；聚类数远小于样本量的表现描述，不等于固定或极少聚类下已有有效性保证。
原文摘要
In this article I develop a wild bootstrap procedure for cluster-robust inference in linear quantile regression models. I show that the bootstrap leads to asymptotically valid inference on the entire quantile regression process in a setting with a large number of small, heterogeneous clusters and provides consistent estimates of the asymptotic covariance function of that process. The proposed bootstrap procedure is easy to implement and performs well even when the number of clusters is much smaller than the sample size. An application to Project STAR data is provided. Supplementary materials for this article are available online.