Gaussian Transforms Modeling and the Estimation of Distributional Regression Functions
高斯变换建模与分布回归函数估计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：摘要直接估计条件密度、累积分布和分位数函数，并以性别工资差距作应用，明确对应分位数与分布方法。
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
高斯变换建模与分布回归函数估计
- 研究问题
- 如何灵活估计条件密度、累积分布与分位数函数，同时保证分布函数的单调性，并使似然优化与统计推断便于实施？
- 方法与思路
- 作者为条件累积分布构造灵活的高斯表示与凹似然准则，在统一最大似然框架中估计密度、分布及分位数函数。
- 材料陈述的贡献
- 摘要称，最优表示在有限样本及一般误设下保持单调性，该框架实现参数速率估计，并相较相关方法带来简化和有限样本改善。
- 阅读关注点
- 应核对高斯表示与单调性保证的构造、误设下的估计目标，以及参数速率依赖的维数条件和有限样本比较设计。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断灵活性与参数速率能同时成立的具体条件，也无法核实改善幅度或工资差距结果。
原文摘要
We propose flexible Gaussian representations for conditional cumulative distribution functions and give a concave likelihood criterion for their estimation. Optimal representations satisfy the monotonicity property of conditional cumulative distribution functions, including in finite samples and under general misspecification. We use these representations to provide a unified framework for the flexible maximum likelihood estimation of conditional density, cumulative distribution, and quantile functions at parametric rate. Our formulation yields substantial simplifications and finite sample improvements over related methods. An empirical application to the gender wage gap in the United States illustrates our framework.