Decentralization estimators for instrumental variable quantile regression models
工具变量分位数回归模型的分解估计方法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：摘要明确以工具变量处理内生性，并估计因果分位数效应。
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
工具变量分位数回归模型的分解估计方法
- 研究问题
- 工具变量分位数回归的 GMM 目标存在非光滑与非凸问题，如何简化内生协变量下因果分位数效应的计算？
- 方法与思路
- 作者将 IVQR 估计问题分解为一组常规分位数回归子问题，利用各子问题的凸性构造可高效求解的估计方法。
- 材料陈述的贡献
- 摘要称这一重构带来新的识别结果及快速、易实现、无需调参的估计量，并降低对高层黑箱优化程序的依赖。
- 阅读关注点
- 应核对子问题如何组合为原问题的解、新识别结果的条件，以及算法收敛、解的唯一性和实际计算成本。
- 阅读边界
- 仅据所给 Crossref 摘要，识别与收敛条件、推断方法及速度比较未说明，不能泛化计算优势或推断刊本变化。
原文摘要
The instrumental variable quantile regression (IVQR) model (Chernozhukov and Hansen (2005)) is a popular tool for estimating causal quantile effects with endogenous covariates. However, estimation is complicated by the nonsmoothness and nonconvexity of the IVQR GMM objective function. This paper shows that the IVQR estimation problem can be decomposed into a set of conventional quantile regression subproblems which are convex and can be solved efficiently. This reformulation leads to new identification results and to fast, easy to implement, and tuning‐free estimators that do not require the availability of high‐level “black box” optimization routines.