An integrated maximum score estimator for a generalized censored quantile regression model
广义删失分位数回归模型的积分最大得分估计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：研究目标是删失数据下的分位数回归，二元选择模型在摘要中主要作为估计工具。
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
广义删失分位数回归模型的积分最大得分估计
- 研究问题
- 当数据受到固定或随机删失时，如何估计广义分位数回归模型，同时改善收敛速度并缓解固定删失下的维数问题？
- 方法与思路
- 作者通过离散化将删失回归转为一系列二元选择模型，再整合各模型的平滑最大得分估计，形成积分估计量。
- 材料陈述的贡献
- 摘要称积分带来通常的参数收敛速度，估计量一致且渐近正态；固定删失方法可缓解维数问题并扩展到随机删失。
- 阅读关注点
- 应核对删失机制与识别条件、积分和平滑参数的选择，以及参数收敛速度和渐近正态性成立所需的正则条件。
- 阅读边界
- 仅据所给出版社摘要，无法判断随机删失允许的依赖结构、维数限制或模拟结果；摘要所称有限样本表现尚需核对。
原文摘要
Quantile regression techniques have been widely used in empirical economics. In this paper, we consider the estimation of a generalized quantile regression model when data are subject to fixed or random censoring. Through a discretization technique, we transform the censored regression model into a sequence of binary choice models and further propose an integrated smoothed maximum score estimator by combining individual binary choice models, following the insights of Horowitz (1992) and Manski (1985). Unlike the estimators of Horowitz (1992) and Manski (1985), our estimators converge at the usual parametric rate through an integration process. In the case of fixed censoring, our approach overcomes a major drawback of existing approaches associated with the curse-of-dimensionality problem. Our approach for the fixed censored case can be extended readily to the case with random censoring for which other existing approaches are no longer applicable. Both of our estimators are consistent and asymptotically normal. A simulation study demonstrates that our estimators perform well in finite samples.