Optimal smoothing in nonparametric conditional quantile derivative function estimation
非参数条件分位数导数函数估计中的最优平滑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：摘要明确以条件分位数回归函数的梯度与导数估计为对象，研究不同分位点上的异质边际变化。
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
非参数条件分位数导数函数估计中的最优平滑
- 研究问题
- 非参数分位数回归中，如何选择适合导数估计的带宽，从而刻画解释变量变化在不同条件分位点对应的边际变化？
- 方法与思路
- 作者基于未知分位数回归函数的梯度提出数据驱动带宽选择方法，并通过蒙特卡洛模拟及实证应用考察导数估计表现。
- 材料陈述的贡献
- 摘要称所选带宽与已知真实梯度时的最优带宽渐近等价；模拟支持理论分析，应用中作者报告优于传统交叉验证的表现。
- 阅读关注点
- 应核对梯度预估计、最优带宽所对应的损失准则、边界处理，以及模拟和应用中导数估计可靠性的评价方式。
- 阅读边界
- 仅据所给出版社摘要，无法判断预估计误差与维度限制；分位数导数的边际变化解释本身也不构成因果效应识别。
原文摘要
Marginal effect in nonparametric quantile regression is of special interest as it quantitatively measures how one unit change in explanatory variable heterogeneously affects dependent variable ceteris paribus at distinct quantiles. In this paper, we propose a data-driven bandwidth selection procedure based on the gradient of an unknown quantile regression function. Our method delivers the bandwidth with the oracle property in the sense that it is asymptotically equivalent to the optimal bandwidth if the true gradient were known. The results of Monte Carlo simulations are reported, and the finite sample performance of our proposed method confirms our theoretical analysis. An empirical application is also provided, showing that our proposed method delivers more reasonable and reliable quantile derivative estimates than traditional cross validation method.