Two-way Clustering Robust Variance Estimator in Quantile Regression Models
分位数回归模型中的双向聚类稳健方差估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究线性分位数回归的聚类稳健推断；双向聚类本身不足以确定数据属于面板。
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
分位数回归模型中的双向聚类稳健方差估计
- 研究问题
- 在线性分位数回归中，双向聚类依赖如何改变估计量的收敛速度和极限分布，哪些情形允许有效的高斯推断？
- 方法与思路
- 作者采用分别可交换数组和分位数得分的投影分解，建立自标准化高斯近似，并构造核密度与匹配投影组成的夹心方差。
- 材料陈述的贡献
- 摘要称，论文刻画不同情形下的收敛速度，证明高斯情形中方差一致性及推断有效性，并给出非高斯交互情形的一致推断不可能性。
- 阅读关注点
- 应核对各类渐近情形的划分、投影退化条件、核带宽和密度估计要求，以及不可能性结果所针对的模型类与推断标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出高斯情形的具体条件，方差估计不能据此推广至所有双向聚类数据。
原文摘要
We study inference for linear quantile regression with two-way clustered data. Using a separately exchangeable array framework and a projection decomposition of the quantile score, we characterize regime-dependent convergence rates and establish a self-normalized Gaussian approximation. We propose a two-way cluster-robust sandwich variance estimator with a kernel-based density ``bread'' and a projection-matched ``meat'', and prove consistency and validity of inference in Gaussian regimes. We also show an impossibility result for uniform inference in a non-Gaussian interaction regime.