Instrumental Variable Quantile Regression
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：摘要明确涉及工具变量识别结构分位数效应，直接连接因果识别、分位数效应与结构参数估计。
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…
工具变量分位数回归
- 研究问题
- 如何借助工具变量识别结构分位数效应，结构扰动的秩限制承担什么作用，以及有哪些参数估计与统计推断方法？
- 方法与思路
- 作者以综述章节形式回顾工具变量分位数回归模型，讨论工具变量及结构扰动秩限制等识别条件，并概述估计和推断路径。
- 材料陈述的贡献
- 摘要所述贡献是梳理该模型的关键识别条件、点估计与推断方法，并指出未来研究方向；没有明确宣称新的原创定理。
- 阅读关注点
- 核对秩限制的具体含义、工具变量条件与识别结论的关系，以及不同估计和推断方法各自需要哪些附加条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要仅提供综述范围，未列出具体条件、算法细节或方法比较结果。
原文摘要
This chapter reviews the instrumental variable quantile regression model of Chernozhukov and Hansen (2005). We discuss the key conditions used for identification of structural quantile effects within this model which include the availability of instruments and a restriction on the ranks of structural disturbances. We outline several approaches to obtaining point estimates and performing statistical inference for model parameters. Finally, we point to possible directions for future research.