LOCAL PARTITIONED QUANTILE REGRESSION
局部分块分位数回归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：摘要的核心是非参数分位数回归、函数系数及删失情形下的分位数估计，直接对应分位数与分布效应方向。
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
局部分块分位数回归
- 研究问题
- 如何为涵盖部分线性、加性和变系数结构的一般分位数回归模型构造统一非参数估计，并兼顾函数导数及删失数据？
- 方法与思路
- 作者将局部分块均值回归思路推广至分位数框架，提出两阶段核加权最小二乘估计，并讨论固定或随机删失下的扩展。
- 材料陈述的贡献
- 摘要称，该估计结构简单、适用多个子模型，可估计函数系数及给定阶数的导数，并具有所述渐近性质和删失扩展能力。
- 阅读关注点
- 应核对两阶段如何实现分位数目标、带宽与光滑性要求，以及高阶导数估计和两类删失扩展各自需要的识别及正则条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能判断具体渐近分布、导数阶数对应的条件或删失机制限制；模拟和应用未给数值细节。
原文摘要
In this paper, we consider the nonparametric estimation of a broad class of quantile regression models, in which the partially linear, additive, and varying coefficient models are nested. We propose for the model a two-stage kernel-weighted least squares estimator by generalizing the idea of local partitioned mean regression (Christopeit and Hoderlein, 2006, Econometrica 74, 787–817) to a quantile regression framework. The proposed estimator is shown to have desirable asymptotic properties under standard regularity conditions. The new estimator has three advantages relative to existing methods. First, it is structurally simple and widely applicable to the general model as well as its submodels. Second, both the functional coefficients and their derivatives up to any given order can be estimated. Third, the procedure readily extends to censored data, including fixed or random censoring. A Monte Carlo experiment indicates that the proposed estimator performs well in finite samples. An empirical application is also provided.