Bias correction for quantile regression estimators
分位数回归估计量的偏差修正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：摘要核心是经典及工具变量分位数回归的二阶偏差与修正，直接对应分位数与分布方法。
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…
分位数回归估计量的偏差修正
- 研究问题
- 经典分位数回归与工具变量分位数回归虽在渐近一阶上无偏，其二阶偏差如何刻画，并能否进行可行修正？
- 方法与思路
- 作者借助经验过程理论推导高阶随机展开，得到显式二阶偏差公式，再用有限差分估计偏差分量并实施修正。
- 材料陈述的贡献
- 摘要称论文给出两类分位数回归估计量的二阶偏差公式及可行修正程序，并通过模拟和家庭食品支出数据作说明。
- 阅读关注点
- 应核对随机展开的正则条件、有限差分步长选择、工具变量情形的适用范围，以及偏差修正对方差与推断的影响。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；模拟表现良好是作者陈述，摘要未说明样本规模、比较指标或修正后的推断性质。
原文摘要
We study the bias of classical quantile regression and instrumental variable quantile regression estimators. While being asymptotically first-order unbiased, these estimators can have non-negligible second-order biases. We derive a higher-order stochastic expansion of these estimators using empirical process theory. Based on this expansion, we derive an explicit formula for the second-order bias and propose a feasible bias correction procedure that uses finite-difference estimators of the bias components. The proposed bias correction method performs well in simulations. We provide an empirical illustration using Engel’s classical data on household food expenditure.