Unconditional quantile regression with high‐dimensional data
高维数据下的无条件分位数回归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：摘要围绕无条件分位数上的异质反事实边际效应，并分析培训政策影响，直接涉及分布效应与因果推断。
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
高维数据下的无条件分位数回归
- 研究问题
- 在高维协变量环境中，如何估计并推断不同工资分位上的反事实边际效应，以刻画延长培训项目参与时间可能带来的异质影响？
- 方法与思路
- 作者为无条件分位数回归提出用于去偏估计的稳健得分，配合乘子自助法进行推断，并建立大样本检验尺寸控制的理论。
- 材料陈述的贡献
- 摘要称模拟支持理论；Job Corps 数据应用显示，反事实延长培训暴露时长的政策对潜在工资较低的目标群体尤其有效。
- 阅读关注点
- 应核对反事实边际效应的定义和识别依据、稳健得分的构造、高维干扰项估计条件，以及乘子自助法的适用范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；因果识别假设、高维复杂度条件及效应大小未说明，不能直接作政策推广，也不推断版本变化。
原文摘要
This paper considers estimation and inference for heterogeneous counterfactual effects with high‐dimensional data. We propose a novel robust score for debiased estimation of the unconditional quantile regression (Firpo, Fortin, and Lemieux (2009)) as a measure of heterogeneous counterfactual marginal effects. We propose a multiplier bootstrap inference and develop asymptotic theories to guarantee the size control in large sample. Simulation studies support our theories. Applying the proposed method to Job Corps survey data, we find that a policy, which counterfactually extends the duration of exposures to the Job Corps training program, will be effective especially for the targeted subpopulations of lower potential wage earners.