Weighted-average quantile regression
加权平均分位数回归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：摘要涉及条件分位数积分、工资分布，以及投资组合预期短缺的因子结构。
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…
加权平均分位数回归
- 研究问题
- 如何将条件分位数函数的加权积分建模为协变量的线性函数，并用该框架研究投资组合预期短缺以及工资不平等和社会福利？
- 方法与思路
- 作者提出加权平均分位数回归框架，对条件分位数在零到一之间按权重积分，并构造线性系数估计量及可估计的渐近协方差。
- 材料陈述的贡献
- 摘要称估计量具有平方根样本量一致性和中心渐近正态性，并在行业投资组合预期短缺因子结构、工资不平等与福利分析中应用。
- 阅读关注点
- 应核对权重函数的选择、尾部积分的存在条件、估计量实现及渐近结果的假设，并检查两类应用中的参数具体对应何种统计量。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或接收未核实；摘要未给出渐近定理条件及应用数值，不能将回归关联直接解释为因果效应。
原文摘要
In this paper, we introduce the weighted-average quantile regression framework, $\int_0^1 q_{Y|X}(u)ψ(u)du = X'β$, where $Y$ is a dependent variable, $X$ is a vector of covariates, $q_{Y|X}$ is the quantile function of the conditional distribution of $Y$ given $X$, $ψ$ is a weighting function, and $β$ is a vector of parameters. We argue that this framework is of interest in many applied settings and develop an estimator of the vector of parameters $β$. We show that our estimator is $\sqrt T$-consistent and asymptotically normal with mean zero and easily estimable covariance matrix, where $T$ is the size of available sample. We demonstrate the usefulness of our estimator by applying it in two empirical settings. In the first setting, we focus on financial data and study the factor structures of the expected shortfalls of the industry portfolios. In the second setting, we focus on wage data and study inequality and social welfare dependence on commonly used individual characteristics.