Binary quantile regression with local polynomial smoothing
基于局部多项式平滑的二元分位数回归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：题名与摘要明确涉及二元选择的分位数回归，并说明可扩展至面板，因而分别对应离散选择、分位数和面板方向。
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
基于局部多项式平滑的二元分位数回归
- 研究问题
- 二元选择模型的最大得分估计具有非常规极限，平滑版本又可能受偏差和带宽影响；局部多项式框架能否改善估计并扩展到面板？
- 方法与思路
- 作者提出基于局部多项式平滑的二元分位数回归框架，研究其有限样本与渐近性质，并讨论面板扩展及与平滑最大得分方法的模拟比较。
- 材料陈述的贡献
- 摘要称估计量具有通常与局部多项式回归相关的性质，并可扩展至面板数据；模拟提示其可能显著改善平滑最大得分估计的表现。
- 阅读关注点
- 应核对条件分位数限制、额外平滑条件及带宽和阶数选择，检查面板扩展如何处理个体效应，并比较模拟中的偏差和推断表现。
- 阅读边界
- 仅据所列出版社摘要，无法确定新估计量的具体收敛率、极限分布或面板假设；模拟改善属于作者报告，摘要未给出数值和适用边界。
原文摘要
Manski (1975, 1985) proposed the maximum score estimator for the binary choice model under a weak conditional median restriction that converges at the rate of n−1/3 and the standardized version has a nonstandard distribution. By imposing additional smoothness conditions, Horowitz (1992) proposed a smoothed maximum score estimator that often has large finite sample biases and is quite sensitive to the choice of smoothing parameter. In this paper we propose a novel framework that leads to a local polynomial smoothing based estimator. Our estimator possesses finite sample and asymptotic properties typically associated with the local polynomial regression. In addition, our local polynomial regression-based estimator can be extended to the panel data setting. Simulation results suggest that our estimators may offer significant improvement over the smoothed maximum score estimators.