A first-stage representation for instrumental variables quantile regression
工具变量分位数回归的第一阶段表示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：摘要明确研究工具变量分位数回归、分位数结构模型及其识别条件，直接对应分位数与分布效应和结构估计。
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…
工具变量分位数回归的第一阶段表示
- 研究问题
- 如何为工具变量分位数回归构造类似最小二乘的第一阶段，并检验工具变量在不同分位数上的相关性及识别信息？
- 方法与思路
- 作者将第一阶段写为条件创新密度加权的线性投影，联系 Jacobian 识别条件，并在过度识别框架下构造工具变量显著性检验。
- 材料陈述的贡献
- 摘要称，分位数第一阶段包含所需的 Jacobian 识别信息，所提检验可评估工具变量的分位数相关性，并有模拟及实证说明。
- 阅读关注点
- 应核对条件密度权重的定义与估计、Jacobian 条件如何嵌入第一阶段，以及至少一个有效工具变量要求和检验的解释边界。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未列出完整条件和数值结果；第一阶段显著性不能单独证明工具变量有效。
原文摘要
This paper develops a first-stage linear regression representation for the instrumental variables (IV) quantile regression (QR) model. The quantile first-stage is analogous to the least squares case, i.e., a linear projection of the endogenous variables on the instruments and other exogenous covariates, with the difference that the QR case is a weighted projection. The weights are given by the conditional density function of the innovation term in the QR structural model, conditional on the endogeneous and exogenous covariates, and the instruments as well, at a given quantile. We also show that the required Jacobian identification conditions for IVQR models are embedded in the quantile first-stage. We then suggest inference procedures to evaluate the adequacy of instruments by evaluating their statistical significance using the first-stage result. The test is developed in an over-identification context, since consistent estimation of the weights for implementation of the first-stage requires at least one valid instrument to be available. Monte Carlo experiments provide numerical evidence that the proposed tests work as expected in terms of empirical size and power in finite samples. An empirical application illustrates that checking for the statistical significance of the instruments at different quantiles is important. The proposed procedures may be specially useful in QR since the instruments may be relevant at some quantiles but not at others.