Partitioned Wild Bootstrap for Panel Data Quantile Regression
面板数据分位数回归的分区野生自助法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：摘要明确针对具有固定效应和时间依赖的面板条件分位数回归提出自助推断，因此对应面板数据与分位数方法。
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…
面板数据分位数回归的分区野生自助法
- 研究问题
- 作者研究面板具有较长时间维度且存在明显时间依赖时，如何为固定效应分位数回归构造可靠的统计推断程序。
- 方法与思路
- 作者对数据分区施加随机权重，同一分区内使用不变权重构造自助样本，并证明其可渐近逼近固定效应分位数估计量的分布。
- 材料陈述的贡献
- 摘要称，新方法具有渐近有效性，可作为现有重抽样方法的替代方案，模拟显示较准确的小样本表现，并提供实证示例。
- 阅读关注点
- 应核对分区方式和长度选择、时间依赖限制、个体与时间维度增长关系，以及固定效应估计偏差是否影响自助推断。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未列出分区规则、渐近条件和模拟误差，不能确认所有面板均适用。
原文摘要
Practical inference procedures for quantile regression models of panel data have been a pervasive concern in empirical work, and can be especially challenging when the panel is observed over many time periods and temporal dependence needs to be taken into account. In this paper, we propose a new bootstrap method that applies random weighting to a partition of the data -- partition-invariant weights are used in the bootstrap data generating process -- to conduct statistical inference for conditional quantiles in panel data that have significant time-series dependence. We demonstrate that the procedure is asymptotically valid for approximating the distribution of the fixed effects quantile regression estimator. The bootstrap procedure offers a viable alternative to existing resampling methods. Simulation studies show numerical evidence that the novel approach has accurate small sample behavior, and an empirical application illustrates its use.