Instrumental variable quantile regression under random right censoring
随机右删失下的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。
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：摘要研究含内生变量的结构分位数模型，以工具变量处理内生性，并用于职业培训研究。
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…
随机右删失下的工具变量分位数回归
- 研究问题
- 当结果变量存在随机右删失且解释变量内生时，如何识别和估计结构分位数关系，并开展有效的统计推断？
- 方法与思路
- 作者假定结果对数的结构分位数对协变量线性、删失独立，利用工具变量建立连续方程组，并求解其经验对应形式。
- 材料陈述的贡献
- 摘要将识别归结为方程组解的唯一性，并给出渐近正态性条件及 bootstrap 有效性证明，另以模拟和职业培训数据展示应用。
- 阅读关注点
- 应核对独立删失的精确定义、工具变量所需限制、唯一解条件的可验证程度，以及连续或离散工具变量下的计算方法。
- 阅读边界
- 摘要未展开唯一解与渐近理论所需条件，也未给出模拟或应用数值；不能将工具变量的引入本身视为识别已经成立。
原文摘要
Summary This paper studies a semiparametric quantile regression model with endogenous variables and random right censoring. The endogeneity issue is solved using instrumental variables. It is assumed that the structural quantile of the logarithm of the outcome variable is linear in the covariates and censoring is independent. The regressors and instruments can be either continuous or discrete. The specification generates a continuum of equations of which the quantile regression coefficients are a solution. Identification is obtained when this system of equations has a unique solution. Our estimation procedure solves an empirical analogue of the system of equations. We derive conditions under which the estimator is asymptotically normal and prove the validity of a bootstrap procedure for inference. The finite sample performance of the approach is evaluated through numerical simulations. An application to the national Job Training Partnership Act study illustrates the method.