Bayesian quantile regression methods
贝叶斯分位数回归方法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：摘要的核心对象是简单分位数与回归分位数的贝叶斯推断，直接对应分位数与分布效应的方法方向。
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
贝叶斯分位数回归方法
- 研究问题
- 如何利用贝叶斯指数倾斜经验似然对分位数及分位数回归进行推断，其后验近似与计算方法在内生解释变量情形下如何表现？
- 方法与思路
- 作者推导简单分位数的似然形式及回归分位数的渐近后验密度，并以更分散的极限正态密度构造 MCMC 提议分布。
- 材料陈述的贡献
- 摘要称给出似然与后验结果，并比较贝叶斯自助法及 Jeffreys 方法；工具变量不太弱时，算法在含内生变量的模型中表现良好。
- 阅读关注点
- 应核对经验似然使用的矩条件、后验渐近结果的正则条件、工具变量强度的界定，以及 MCMC 的混合表现和比较指标。
- 阅读边界
- 所给 Crossref 摘要未说明定理条件或模拟数值；所谓工具变量不太弱没有具体阈值，不能据此推断弱工具变量下也可靠。
原文摘要
Abstract This paper is a study of the application of Bayesian exponentially tilted empirical likelihood to inference about quantile regressions. In the case of simple quantiles we show the exact form for the likelihood implied by this method and compare it with the Bayesian bootstrap and with Jeffreys' method. For regression quantiles we derive the asymptotic form of the posterior density. We also examine Markov chain Monte Carlo simulations with a proposal density formed from an overdispersed version of the limiting normal density. We show that the algorithm works well even in models with an endogenous regressor when the instruments are not too weak. Copyright © 2009 John Wiley & Sons, Ltd.