Quantile regression with group-level treatments
群组层面处理的分位数回归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：摘要直接讨论群组处理的异质性分布效应，并采用分位数回归和工具变量方法。
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
群组层面处理的分位数回归
- 研究问题
- 群组层面的处理如何影响结果分布，尤其当处理效应同时随个体层面和群组层面的不可观测特征变化时？
- 方法与思路
- 作者扩展群组处理的分位数回归模型，并依据处理与群组不可观测特征是否相关，提出两步估计及工具变量估计。
- 材料陈述的贡献
- 摘要称模型容纳两层不可观测异质性，给出大样本性质，并在中国进口竞争与美国地方工资分布应用中发现两层异质性。
- 阅读关注点
- 应核对两层不可观测特征如何进入分位数模型、工具变量识别要求，以及两步估计的误差如何传递到最终推断。
- 阅读边界
- 仅据所给出版社摘要，具体识别条件、样本结构和工资效应大小均未说明，不能把应用发现视为已独立核验的因果结论。
原文摘要
To study distributional effects of group level treatments, Chetverikov et al. (2016) proposed a grouped instrumental variables quantile regression estimator, a quantile extension of the Hausman and Taylor’s 1981 instrumental variables estimator for panel data. However, their approach only allows for heterogenous distributional effects of group-level treatments that correspond to individual-level unobserved characteristics, but not group-level unobserved characteristics. In this article, we propose a quantile regression model that allows for heterogenous distributional effects of group-level treatments associated with both individual-level and group-level unobserved characteristics. We propose two-step quantile regression and instrumental variables quantile regression estimators, depending on whether the group-level treatments are correlated with the group-level unobserved characteristics. Large sample properties are presented and simulation results indicate our estimators perform well in finite samples. We apply our method to study the impact of Chinese import competition on the U.S. local wage distribution, and uncover both significant individual-level and group-level heterogeneity of the group treatment effects.