Quantile-regression-based clustering for panel data
基于分位数回归的面板数据聚类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：摘要的主要方法是面板个体异质斜率的分组，并以单个或多个条件分位数构造聚类，直接对应面板和分布方法。
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…
基于分位数回归的面板数据聚类
- 研究问题
- 如何识别面板中斜率参数异质的个体子群，并在单个或多个分位数上利用组内信息进行估计，兼顾异质性与信息汇集？
- 方法与思路
- 作者提出类似 k-means 的迭代聚类算法，在一个或多个分位数上识别斜率不同的群组，并研究组别与组内斜率估计的渐近性质。
- 材料陈述的贡献
- 摘要称，建立了组别归属估计量及组别特定斜率估计量的渐近性质，并通过模拟和经济增长数据分析评估有限样本表现。
- 阅读关注点
- 应核对群组数量如何确定、群组间差异要求、迭代算法的初始化及收敛，以及多分位数聚类是否要求共同组别结构。
- 阅读边界
- 仅据所列出版社摘要，群组分离条件、面板维度增长方式和数值结果未说明；不能据此判断组内汇集必然提高估计效率。
原文摘要
In panel data analysis, it is important to identify subgroups of units with heterogeneous parameters. This can not only increase the model flexibility but also produce more efficient estimation by pooling information across units within the same group. In this paper, we propose a new quantile-regression-based clustering method for panel data. We develop an iterative algorithm using a similar idea of k-means clustering to identify subgroups with heterogeneous slopes at a single quantile level or across multiple quantiles. The asymptotic properties of the group membership estimator and corresponding group-specific slope estimator are established. The finite sample performance of the proposed method is assessed through simulation and the analysis of an economic growth data.