Smoothed instrumental variables quantile regression
平滑工具变量分位数回归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：摘要直接介绍工具变量分位数回归模型及其估计软件，对应分位数方法方向。
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
平滑工具变量分位数回归
- 研究问题
- 如何以便于使用的软件命令估计工具变量分位数回归系数，并提供计算实现、标准误及不同抽样结构下的推断选项？
- 方法与思路
- 作者介绍 sivqr 命令，实现已有平滑工具变量分位数估计量，提供解析或贝叶斯自助标准误，并支持非独立同分布抽样的自助法。
- 材料陈述的贡献
- 摘要所述贡献主要是平滑估计的软件实现、语法和方法说明及命令比较；计算速度和统计精度改善来自其引用的既有研究。
- 阅读关注点
- 应核对 sivqr 对应的模型与其他命令的目标是否一致、平滑设置和数值求解方式，以及非独立抽样时如何指定有效自助法。
- 阅读边界
- 这是 arXiv 预印本，同行评审状态未经核实。摘要未提供性能比较数值，单个示例和既有平滑结果不能证明所有场景都更优。
原文摘要
In this article, I introduce the sivqr command, which estimates the coefficients of the instrumental variables (IV) quantile regression model introduced by Chernozhukov and Hansen (2005). The sivqr command offers several advantages over the existing ivqreg and ivqreg2 commands for estimating this IV quantile regression model, which complements the alternative "triangular model" behind cqiv and the "local quantile treatment effect" model of ivqte. Computationally, sivqr implements the smoothed estimator of Kaplan and Sun (2017), who show that smoothing improves both computation time and statistical accuracy. Standard errors are computed analytically or by Bayesian bootstrap; for non-iid sampling, sivqr is compatible with bootstrap. I discuss syntax and the underlying methodology, and I compare sivqr with other commands in an example.