Wild bootstrap inference for penalized quantile regression for longitudinal data
纵向数据惩罚分位数回归的野生 bootstrap 推断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：摘要明确讨论纵向数据、个体效应及惩罚分位数回归，直接对应面板数据和分位数与分布效应方法。
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…
关注这篇论文的作者
纵向数据惩罚分位数回归的野生 bootstrap 推断
- 研究问题
- 在允许不受限制的个体效应的纵向分位数回归中，如何为惩罚估计量开展推断，并处理惩罚收缩对其抽样分布的影响？
- 方法与思路
- 作者提出野生残差 bootstrap，利用惩罚收缩的重要性随样本增长而减弱来获得一致性，并分析重抽样对估计量分布的近似。
- 材料陈述的贡献
- 摘要称，重抽样程序渐近有效，模拟中的小样本表现较准确；美国人口普查应用展示了含八万多个参数模型的估计。
- 阅读关注点
- 应核对个体与时间维度的渐近设定、惩罚衰减速度及残差重抽样步骤，并检查个体内依赖如何影响标准误和置信区间。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，不能判断渐近有效性的完整条件；不限制个体效应并不等于没有其他假设，也不能推断版本变化。
原文摘要
The existing theory of penalized quantile regression for longitudinal data has focused primarily on point estimation. In this work, we investigate statistical inference. We propose a wild residual bootstrap procedure and show that it is asymptotically valid for approximating the distribution of the penalized estimator. The model puts no restrictions on individual effects, and the estimator achieves consistency by letting the shrinkage decay in importance asymptotically. The new method is easy to implement and simulation studies show that it has accurate small sample behavior in comparison with existing procedures. Finally, we illustrate the new approach using U.S. Census data to estimate a model that includes more than eighty thousand parameters.