SMOOTHED ESTIMATING EQUATIONS FOR INSTRUMENTAL VARIABLES QUANTILE REGRESSION
工具变量分位数回归的平滑估计方程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：摘要的核心对象是工具变量分位数回归及其估计和检验。
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的平滑估计方程
- 研究问题
- 工具变量分位数回归中的不连续指示函数会影响估计与计算；采用平滑估计方程能否同时改善精度、检验表现和计算可靠性？
- 方法与思路
- 作者以带宽控制的平滑函数替代估计方程中的指示函数，分析均方误差最优带宽，并研究相应估计量及卡方检验。
- 材料陈述的贡献
- 摘要称，正带宽可降低渐近均方误差；同一最优带宽改善高阶第一类错误和大样本尺寸调整功效，并使计算更简便可靠。
- 阅读关注点
- 应核对平滑函数与带宽条件、均方误差最优性的阶数、内生变量增多时的计算处理，以及 JTPA 应用中的工具变量设定。
- 阅读边界
- 仅依据所给 Crossref 摘要，不推断后续版本；摘要未提供识别条件、带宽公式及数值增益，不能将所述改善视为所有设定下成立。
原文摘要
The moment conditions or estimating equations for instrumental variables quantile regression involve the discontinuous indicator function. We instead use smoothed estimating equations (SEE), with bandwidth h . We show that the mean squared error (MSE) of the vector of the SEE is minimized for some h > 0, leading to smaller asymptotic MSE of the estimating equations and associated parameter estimators. The same MSE-optimal h also minimizes the higher-order type I error of a SEE-based χ 2 test and increases size-adjusted power in large samples. Computation of the SEE estimator also becomes simpler and more reliable, especially with (more) endogenous regressors. Monte Carlo simulations demonstrate all of these superior properties in finite samples, and we apply our estimator to JTPA data. Smoothing the estimating equations is not just a technical operation for establishing Edgeworth expansions and bootstrap refinements; it also brings the real benefits of having more precise estimators and more powerful tests.