Spread Regression, Skewness Regression, and Kurtosis Regression With an Application to the US Wage Structure
离散程度、偏度与峰度回归：美国工资结构应用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：摘要以分位数回归和条件分布的离散程度、偏度、峰度为核心，并应用于工资分布，直接属于分布分析。
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
离散程度、偏度与峰度回归：美国工资结构应用
- 研究问题
- 如何利用分位数回归描述协变量与条件分布整体形状的关系，并区分美国工资离散程度变化中的构成效应和结构效应？
- 方法与思路
- 作者将分位数回归与基于分位数的离散程度、偏度和峰度指标结合，分析美国工资数据，并与基于矩的稳健方法比较。
- 材料陈述的贡献
- 摘要称，论文提出三类分布形状回归，分析美国一九八〇至二〇一九年工资结构，分解离散程度变化，并提供相应 Stata 命令。
- 阅读关注点
- 应核对各形状指标如何定义、回归系数如何解释、分位数估计的不确定性如何传递，以及工资变化分解的基准与实现方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体工资发现、数据处理或推断性质；协变量与条件分布形状的关系不能自动解释为因果效应。
原文摘要
ABSTRACT Quantile regression provides a powerful tool for investigating the effects of covariates on key quantiles of a conditional distribution. However, we often lack a general picture of how covariates affect the overall shape of the conditional distribution. Using quantile regression estimation and quantile‐based measures of spread, skewness, and kurtosis, we propose spread regression, skewness regression, and kurtosis regression as empirical tools to quantify the effects of covariates on the spread, skewness, and kurtosis of the conditional distribution. This methodology is applied to US wage data during 1980–2019 with substantive findings, and a comparison is made with a moment‐based robust approach. In addition, we decompose changes in the spread into composition effects and structural effects to clarify rising inequality. We also provide the Stata commands spreadreg, skewreg, and kurtosisreg, which are available from the Statistical Software Components (SSC) archive, for easy implementation of spread, skewness, and kurtotis regressions.