Penalized Quantile Regression with Semiparametric Correlated Effects: An Application with Heterogeneous Preferences
具有半参数相关效应的惩罚分位数回归：异质性偏好应用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：摘要明确研究允许个体异质性与协变量相关的面板分位数回归，并分析营养偏好在支出条件分布中的差异。
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
具有半参数相关效应的惩罚分位数回归：异质性偏好应用
- 研究问题
- 当个体异质性与协变量相关时，如何开展面板分位数回归，并刻画营养偏好在支出条件分布和性别之间的差异？
- 方法与思路
- 作者提出允许个体异质性与协变量相关的ℓ₁惩罚面板分位数估计，通过模拟比较二次损失，并应用于家庭食品购买数据中的需求模型。
- 材料陈述的贡献
- 摘要称该方法克服所列附带参数偏差、效率与时不变变量估计限制；应用显示营养偏好随支出条件分布及性别变化。
- 阅读关注点
- 阅读时应核对相关效应的半参数设定、分位数效应的识别条件、惩罚参数选择，以及小样本比较和营养偏好的解释方式。
- 阅读边界
- 摘要未说明具体识别假设、相关效应的函数形式和改进成立的条件；无法据此判断所有面板结构下的偏差或效率表现。
原文摘要
Summary This paper proposes new ℓ 1 ‐penalized quantile regression estimators for panel data, which explicitly allows for individual heterogeneity associated with covariates. Existing fixed‐effects estimators can potentially suffer from three limitations which are overcome by the proposed approach: (i) incidental parameters bias in nonlinear models with large N and small T ; (ii) lack of efficiency; and (iii) inability to estimate the effects of time‐invariant regressors. We conduct Monte Carlo simulations to assess the small‐sample performance of the new estimators and provide comparisons of new and existing penalized estimators in terms of quadratic loss. We apply the technique to an empirical example of the estimation of consumer preferences for nutrients from a demand model using a large transaction‐level dataset of household food purchases. We show that preferences for nutrients vary across the conditional distribution of expenditure and across genders, and emphasize the importance of fully capturing consumer heterogeneity in demand modeling. Copyright © 2016 John Wiley & Sons, Ltd.