SEMIPARAMETRIC ESTIMATION OF QUANTILE REGRESSION WITH BINARY QUANTILE SELECTION
具有二元分位数选择的分位数回归半参数估计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：摘要同时研究结果分位数回归和用于样本选择的二元分位数回归。
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
具有二元分位数选择的分位数回归半参数估计
- 研究问题
- 如何在分位数回归中处理样本选择，同时允许选择方程与结果方程具有一般异质性，并估计分位数系数和 copula 参数？
- 方法与思路
- 作者用标准二元分位数回归描述选择机制，并通过整合局部矩条件进行结果方程的半参数估计，结合模拟和女性工资分布示例。
- 材料陈述的贡献
- 摘要称，方法放宽所比较模型的参数化选择设定，建立估计量收敛理论，并在应用样本中报告较明显的女性正向选择。
- 阅读关注点
- 应核对选择机制和 copula 的识别限制、局部矩条件的构造，以及收敛率原式和随机模拟调查样本的生成方式。
- 阅读边界
- 所给 Crossref 摘要的收敛率公式存在排版混乱，需核对原文；应用使用调查来源的随机模拟样本，不能直接视为总体选择程度。
原文摘要
This article proposes a novel method for estimating quantile regression models that account for sample selection. Unlike the approach by Arellano and Bonhomme (2017, Econometrica 85(1), 1–28; hereafter referred to as AB17), which employs a parametric selection equation, our method utilizes a standard binary quantile regression model to handle the selection issue, thereby accommodating general heterogeneity in both the selection and outcome equations. We adopt a semiparametric estimation technique for the outcome quantile regression by integrating local moment conditions, resulting in n $\sqrt {n}$ StartRoot n EndRoot -consistent estimators for the quantile coefficients and copula parameter. Monte Carlo simulation results demonstrate that our estimator performs well in finite samples. Additionally, we apply our method to examine the wage distribution among women using a randomly simulated sample from the US General Social Survey. Our key finding is the presence of significant positive selection among women in the US, which is notably more pronounced than the estimates produced by the AB17’s model.