Errors in the Dependent Variable of Quantile Regression Models
分位数回归模型因变量中的测量误差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：摘要研究分位数回归中因变量测量误差的识别、估计与推断，并以教育回报展示应用，直接对应分位数与分布分析。
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…
分位数回归模型因变量中的测量误差
- 研究问题
- 当随机系数模型的因变量含有经典测量误差时，常用分位数回归会受到怎样的偏误，又如何识别和估计潜在的分位数关系？
- 方法与思路
- 作者以经典测量误差设定构建筛最大似然估计，控制分位数网格节点数的增长速度，并提出利用自助法进行推断。
- 材料陈述的贡献
- 摘要给出识别的充分条件及一致性、渐近正态性，并称模拟中的平均偏误和均方误差小于普通分位数回归。
- 阅读关注点
- 核对测量误差与随机系数的限制、识别条件、节点增长率及自助法有效性，并检查教育回报应用中的测量误差处理。
- 阅读边界
- 摘要未说明识别的具体条件、测量误差所需信息、模拟设计及实证数据细节，不能据此判断对其他误差类型的适用性。
原文摘要
We study the consequences of measurement error in the dependent variable of random‐coefficients models, focusing on the particular case of quantile regression. The popular quantile regression estimator of Koenker and Bassett (1978) is biased if there is an additive error term. Approaching this problem as an errors‐in‐variables problem where the dependent variable suffers from classical measurement error, we present a sieve maximum likelihood approach that is robust to left‐hand‐side measurement error. After providing sufficient conditions for identification, we demonstrate that when the number of knots in the quantile grid is chosen to grow at an adequate speed, the sieve‐maximum‐likelihood estimator is consistent and asymptotically normal, permitting inference via bootstrapping. Monte Carlo evidence verifies our method outperforms quantile regression in mean bias and MSE. Finally, we illustrate our estimator with an application to the returns to education highlighting changes over time in the returns to education that have previously been masked by measurement‐error bias.