Dynamic Network Quantile Regression Model
动态网络分位数回归模型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：摘要明确研究同时网络溢出与不同分位数上的联结，并采用工具变量分位数回归，因此归入网络与分布方向。
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…
动态网络分位数回归模型
- 研究问题
- 研究如何利用预定网络信息刻画不同分位数上的联结，同时允许当期网络效应并控制分位数之间的共同因子。
- 方法与思路
- 作者扩展网络分位数自回归，以工具变量分位数回归处理同时网络溢出的内生性，并利用近历依赖性质分析估计量。
- 材料陈述的贡献
- 摘要称，建立估计量一致性与渐近正态性，模拟考察不同分位数和网络结构，并用纽约证券交易所及纳斯达克股票展示应用。
- 阅读关注点
- 应核对工具变量的构造与有效性、网络预定性的含义、共同因子的控制方式，以及网络依赖下的渐近条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断工具变量强度或股票联结的经济解释；完整条件与后续刊本变化未核验。
原文摘要
We propose a dynamic network quantile regression model to investigate the quantile connectedness using a predetermined network information. We extend the existing network quantile autoregression model of Zhu et al. by explicitly allowing the contemporaneous network effects and controlling for the common factors across quantiles. To cope with the endogeneity issue due to simultaneous network spillovers, we adopt the instrumental variable quantile regression (IVQR) estimation and derive the consistency and asymptotic normality of the IVQR estimator using the near epoch dependence property of the network process. Via Monte Carlo simulations, we confirm the satisfactory performance of the IVQR estimator across different quantiles under the different network structures. Finally, we demonstrate the usefulness of our proposed approach with an application to the dataset on the stocks traded in NYSE and NASDAQ in 2016.