GMM quantile regression
分位数回归的广义矩估计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：摘要核心是多个条件分位数的联合估计、跨分位数限制及条件分布低端的实证分析。
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…
分位数回归的广义矩估计
- 研究问题
- 如何利用多个分位数之间的参数限制，联合估计分位数回归系数并提高效率，同时对这些跨分位数限制开展统计检验？
- 方法与思路
- 作者提出跨分位数联合 GMM 估计及最低距离替代方法，允许灵活参数限制，并分别分析分位数数量固定和随样本增大的渐近情形。
- 材料陈述的贡献
- 摘要称，跨分位数限制与联合估计可带来效率收益，并提供限制的设定检验；模拟和出生体重条件分布极低端的吸烟效应应用展示方法。
- 阅读关注点
- 应核对效率收益依赖的跨分位数限制、权重矩阵构造、分位数数量增长条件，以及出生体重应用中系数解释与潜在内生性处理。
- 阅读边界
- 仅据所给出版社摘要，无法量化效率收益或判断限制误设后的表现；吸烟应用的识别策略未说明，不能据摘要确认其系数具有因果含义。
原文摘要
This paper develops generalized method of moments (GMM) estimation and inference procedures for quantile regression models. We propose a GMM estimator for simultaneous estimation across multiple quantiles. This estimator allows us to model quantile regression coefficients using flexible parametric restrictions across quantiles. The restrictions and simultaneous estimation lead to efficiency gains compared to standard methods. We establish the asymptotic properties of the GMM estimators when the number of quantiles used is fixed and when it diverges to infinity jointly with the sample size. As an alternative to GMM, we also propose a minimum distance estimator over a given subset of quantiles. Moreover, we provide specification tests for the imposed restrictions. The estimators and tests we propose are simple to implement in practice. Monte Carlo simulations provide numerical evidence of the finite sample properties of the methods. Finally, we apply the proposed methods to estimate the effects of smoking on birthweight of live infants at the extreme bottom of the conditional distribution.