Nonparametric Quantile Regression for Homogeneity Pursuit in Panel Data Models
面板数据模型中追寻同质分组的非参数分位数回归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：摘要明确研究含个体效应的面板模型，并允许回归和分组随分位数变化，对应面板与分位数方向。
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…
面板数据模型中追寻同质分组的非参数分位数回归
- 研究问题
- 当面板个体存在潜在分组，且响应关系与分组结构可能随分位数变化时，如何减少函数设定错误造成的误分组？
- 方法与思路
- 作者在含个体效应的面板模型中提出非参数分位数回归，用两两融合惩罚自动选择组数，并开发 ADMM 算法。
- 材料陈述的贡献
- 摘要称方法同时处理非参数响应关系和分位数相关的潜在同质分组，建立渐近性质，并以模拟和实证例子展示用途。
- 阅读关注点
- 应核对组间分离条件、个体效应与非参数函数的设定、惩罚参数选择，以及不同分位数下分组的一致性和解释。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能保证任意潜在分组都能恢复；渐近框架、算法收敛和具体实证结果未说明，未核对刊本变化。
原文摘要
Many panel data have the latent subgroup effect on individuals, and it is important to correctly identify these groups since the efficiency of resulting estimators can be improved significantly by pooling the information of individuals within each group. However, the currently assumed parametric and semiparametric relationship between the response and predictors may be misspecified, which leads to a wrong grouping result, and the nonparametric approach hence can be considered to avoid such mistakes. Moreover, the response may depend on predictors in different ways at various quantile levels, and the corresponding grouping structure may also vary. To tackle these problems, this article proposes a nonparametric quantile regression method for homogeneity pursuit in panel data models with individual effects, and a pairwise fused penalty is used to automatically select the number of groups. The asymptotic properties are established, and an ADMM algorithm is also developed. The finite sample performance is evaluated by simulation experiments, and the usefulness of the proposed methodology is further illustrated by an empirical example.