A first-stage representation for instrumental variables quantile regression
工具变量分位数回归的一阶段表示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：摘要核心是工具变量分位数回归的加权投影、识别与检验，直接对应分位数与分布效应方法。
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…
工具变量分位数回归的一阶段表示
- 研究问题
- 工具变量分位数回归能否具有类似最小二乘的一阶段回归表示，并据此理解识别条件及工具变量的统计作用？
- 方法与思路
- 作者将分位数一阶段表示为内生变量对工具变量及外生协变量的加权线性投影，权重来自结构创新项在给定分位点的条件密度。
- 材料陈述的贡献
- 摘要称，IVQR 所需的雅可比识别条件包含在该一阶段中，并提出基于工具变量显著性的检验程序，以模拟和经验应用说明。
- 阅读关注点
- 应核对密度权重的估计、一阶段与雅可比条件的对应关系，以及显著性检验究竟诊断工具相关性还是更广义的有效性。
- 阅读边界
- 仅据所给版本摘要，无法判断权重估计和检验的正则条件；一阶段显著性本身不能证明工具变量的外生性或排除限制。
原文摘要
Summary This paper develops a first-stage linear regression representation for an instrumental variables (IV) quantile regression (QR) model. The quantile first stage is analogous to the least-squares case, i.e., a linear projection of the endogenous variables on the instruments and other exogenous covariates, with the difference that the QR case is a weighted projection. The weights are given by the conditional density function of the innovation term in the QR structural model, at a given quantile. We also show that the required Jacobian identification conditions for IVQR models are embedded in the quantile first stage. We then suggest procedures to evaluate the validity of instruments by evaluating their statistical significance using the first-stage representation. Monte Carlo experiments provide numerical evidence that the proposed tests work as expected in terms of empirical size and power. An empirical application illustrates the methods.