Non-parametric bounds on quantiles under monotonicity assumptions: with an application to the Italian education returns
单调性假设下分位数的非参数界：意大利教育回报应用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：摘要直接研究潜在结果分位数和分位数处理效应的部分识别，并使用响应、选择及工具变量的单调性限制。
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
单调性假设下分位数的非参数界：意大利教育回报应用
- 研究问题
- 在个体响应与总体选择满足较弱单调性限制时，如何部分识别潜在结果分位数及分位数处理效应，并收紧识别界？
- 方法与思路
- 作者研究分位数单调处理选择、分位数单调工具变量及其组合，与单调处理响应结合，并估计意大利教育回报的界。
- 材料陈述的贡献
- 摘要称处理响应与分位数选择单调性互补；应用中大学相对小学的部分效应上界，隐含年均回报低于对应工具分位数估计。
- 阅读关注点
- 应核对各单调性定义、界的推导与锐性、工具变量限制，以及效应界和参数分位数回归估计的可比性及推断方法。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，识别界依赖单调性假设；其可信度、统计不确定性及具体界值未说明，不能认定点估计错误。
原文摘要
Within the inferential context of predicting a distribution of potential outcomes P[y(t)] under a uniform treatment assignment t ∈ T, this paper deals with partial identification of the α-quantile of the distribution of interest Qα[y(t)] under relatively weak and credible monotonicity-type assumptions on the individual response functions and the population selection process. On the theoretical side, the paper adds to the existing results on non-parametric bounds on quantiles with no prior information and under monotone treatment response (MTR) by introducing and studying the identifying properties of α-quantile monotone treatment selection (α-QMTS), α-quantile monotone instrumental variables (α-QMIV) and their combinations. The main result parallels that for the mean; MTR and α-QMTS aid identification in a complementary fashion, so that combining them greatly increases identification power. The theoretical results are illustrated through an empirical application on the Italian returns to educational qualifications. Bounds on several quantiles of ln(wage) under different qualifications and on quantile treatments effects (QTE) are estimated and compared with parametric quantile regression (α-QR) and α-IVQR estimates from the same sample. Remarkably, the α-QMTS & MTR upper bounds on the α-QTE of a college degree versus elementary education imply smaller year-by-year returns than the corresponding α-IVQR point estimates. Copyright © 2010 John Wiley & Sons, Ltd.