Panel Data Quantile Regression for Treatment Effect Models
处理效应模型的面板数据分位数回归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：摘要明确研究面板数据中的分位数处理效应，同时对应因果推断、面板数据与分布效应。
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
处理效应模型的面板数据分位数回归
- 研究问题
- 在秩不变性与秩平稳性假设下，如何估计面板模型的分位数处理效应，并减轻高维协变量使最小距离估计计算繁重的问题？
- 方法与思路
- 作者提出结合分位数回归与最小距离的两步估计，研究一致于索引范围的渐近性质及非参数 bootstrap 的有效性。
- 材料陈述的贡献
- 摘要称，两步方法应对原最小距离程序的计算负担，并建立统一渐近性质与 bootstrap 有效性；模拟和两项应用作出说明。
- 阅读关注点
- 应核对秩不变性与秩平稳性的经济含义、两步估计衔接、统一结果覆盖的范围，以及 bootstrap 是否保持面板依赖结构。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；完整识别条件、计算节约幅度和应用效应大小未说明，因果解释不能脱离所列秩假设。
原文摘要
In this study, we develop a novel estimation method for quantile treatment effects (QTE) under rank invariance and rank stationarity assumptions. Ishihara (2020 Ishihara, T. (2020), “Identification and Estimation of Time-Varying Nonseparable Panel Data Models Without Stayers,” Journal of Econometrics, 215, 184–208. DOI: https://doi.org/10.1016/j.jeconom.2019.08.008.[Crossref] , [Google Scholar]) explores identification of the nonseparable panel data model under these assumptions and proposes a parametric estimation based on the minimum distance method. However, when the dimensionality of the covariates is large, the minimum distance estimation using this process is computationally demanding. To overcome this problem, we propose a two-step estimation method based on the quantile regression and minimum distance methods. We then show the uniform asymptotic properties of our estimator and the validity of the nonparametric bootstrap. The Monte Carlo studies indicate that our estimator performs well in finite samples. Finally, we present two empirical illustrations, to estimate the distributional effects of insurance provision on household production and TV watching on child cognitive development.