Censored Quantile Regression with Many Controls
含大量控制变量的删失分位数回归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。
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：摘要的核心模型是删失分位数回归，直接对应分位数与分布效应方向。
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
含大量控制变量的删失分位数回归
- 研究问题
- 当删失分位数回归包含高维控制变量，并使用机器学习估计干扰参数时，如何对低维目标参数进行有效估计和统计推断？
- 方法与思路
- 作者将双重或去偏机器学习框架用于 Buchinsky–Hahn 删失分位数估计，以处理高维干扰参数并构造目标参数推断。
- 材料陈述的贡献
- 摘要称所提估计量具有一致性和渐近正态性，并通过数值模拟及研究退休储蓄计划资格对储蓄影响的应用展示表现。
- 阅读关注点
- 应核对删失机制、目标参数定义、去偏构造和机器学习误差要求，并查看模拟设计及储蓄应用中效应解释所需的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出渐近结论的具体条件，也未给出模拟数值或应用识别细节。
原文摘要
This paper develops estimation and inference methods for censored quantile regression models with high-dimensional controls. The methods are based on the application of double/debiased machine learning (DML) framework to the censored quantile regression estimator of Buchinsky and Hahn (1998). I provide valid inference for low-dimensional parameters of interest in the presence of high-dimensional nuisance parameters when implementing machine learning estimators. The proposed estimator is shown to be consistent and asymptotically normal. The performance of the estimator with high-dimensional controls is illustrated with numerical simulation and an empirical application that examines the effect of 401(k) eligibility on savings.