NONPARAMETRIC WEIGHTED AVERAGE QUANTILE DERIVATIVE
非参数加权平均分位数导数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：摘要直接研究条件分位数导数，并讨论非可分结构模型中的平均结构效应。
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
非参数加权平均分位数导数
- 研究问题
- 如何用加权平均分位数导数概括协变量对条件分位数的边际响应，并在特定模型中获得系数识别或平均结构效应解释？
- 方法与思路
- 作者考虑研究者指定权重和协变量密度权重，提出含随机修剪的两步估计，并建立分位数核估计的一致 Bahadur 型线性表示。
- 材料陈述的贡献
- 摘要称估计量对全支持目标具有根号 n 一致性，部分半参数模型系数可识别至尺度，且在特定独立性条件下具有平均结构效应解释。
- 阅读关注点
- 应核对权重与全支持目标的定义、随机修剪如何控制尾部，以及结构解释所需独立性和分位数过程弱收敛的具体条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，独立性、平滑性及修剪速率条件未完整说明；不能普遍赋予导数因果含义，也不能推断后续刊本变化。
原文摘要
The weighted average quantile derivative (AQD) is the expected value of the partial derivative of the conditional quantile function (CQF) weighted by a function of the covariates. We consider two weighting functions: a known function chosen by researchers and the density function of the covariates that is parallel to the average mean derivative in Powell, Stock, and Stoker (1989, Econometrica 57, 1403–1430). The AQD summarizes the marginal response of the covariates on the CQF and defines a nonparametric quantile regression coefficient. In semiparametric single-index and partially linear models, the AQD identifies the coefficients up to scale. In nonparametric nonseparable structural models, the AQD conveys an average structural effect under certain independence assumptions. Including a stochastic trimming function, the proposed two-step estimator is root- n -consistent for the AQD defined by the entire support of the covariates. To facilitate tractable asymptotic analysis, a key preliminary result is a new Bahadur-type linear representation of the generalized inverse kernel-based CQF estimator uniformly over the covariates in an expanding compact set and over the quantile levels. The weak convergence to Gaussian processes applies to the differentiable nonlinear functionals of the quantile processes.