Bu sorunun zaten kabul edilmiş bir cevabı olmasına rağmen, buna hala katkıda bulunabileceğimi düşünüyorum. Koenker (2005) kitabı sizi çok ileri götürmeyecek çünkü IV kantil regresyondaki gelişmeler o zamana kadar toplanmaya başlamıştı.
İlk IV kantil regresyon teknikleri, Chesher (2003 ) tarafından Ma ve Koenker (2006) tarafından ağırlıklı ortalama sapma yaklaşımında (WAD) daha da geliştirilen nedensel zincir çerçevesini içerir . Bu yazıda ayrıca kontrol değişken yaklaşımı tanıtılmaktadır. Benzer bir fikir, kontrol fonksiyonlarını kullanarak IV kantil regresyon tahmin edicisini türeyen Lee (2007) tarafından da kullanılmıştır .
Bu tahmin edicilerin tümü, tanımlama için gerekli olan varsayılan bir üçgen hata yapısından yararlanır. Buradaki sorun, bu üçgen yapının eşzamanlılıktan kaynaklanan endojenite problemleri için mantıksız olmasıdır. Örneğin, bu tahmin edicileri bir arz-talep tahmin problemi için kullanamazsınız.
Abadie, Angrist ve Imbens'in (2002) tahmincisi, Dimitriy V. Masterov'un bahsettiği gibi, hem ikili bir endojen değişkene hem de bir ikili enstrümana sahip olduğunuzu varsayar. Genel olarak, bu çok kısıtlayıcı bir çerçevedir ancak LATE yaklaşımını lineer regresyon IV'ten kantil regresyonlara kadar genişletir. Bu güzel, çünkü özellikle ekonomide birçok araştırmacı LATE kavramını ve ortaya çıkan katsayıların yorumunu biliyor.
Chernozhukov ve Hansen (2005) tarafından hazırlanan seminal makale gerçekten bu literatürü başlattı ve bu iki adam bu alanda çok iş yaptı. IV kantil regresyon tahmincisi (IVQR), kantil bağlamda 2SLS tahmincisine doğal bir bağlantı sağlar. Tahmincileri, Dimitriy'nin işaret ettiği gibi Matlab veya Ox aracılığıyla uygulanır, ancak Kwak (2010) belgesini unutabilirsiniz. Bu makale Stata dergisine asla ulaşmadı ve kodu düzgün çalışmıyor. Sanırım bu projeyi terk etti.
Bunun yerine Kaplan ve Sun'ın (2012) düzeltilmiş tahmin denklemleri IVQR (SEE-IVQR) tahmincisini düşünmelisiniz.. Bu, hesaplama hızı (külfetli ızgara arama algoritmasından kaçınır) ve ortalama kare hatası açısından orijinal IVQR tahmincisi üzerinde bir gelişme olan yeni bir tahmin edicidir. Matlab kodu burada mevcuttur .
Frölich ve Melly'nin (2010) makalesi hoş, çünkü koşullu ve koşulsuz kantil regresyon arasındaki farkı göz önünde bulunduruyor. Genel olarak kantil regresyon ile ilgili sorun, regresyonunuza eş değişkenler eklediğinizde, yorumun değişmesidir. OLS'de her zaman yinelenen beklentiler yasası ile koşullu koşulsuz beklentiye gidebilirsiniz, ancak miktarlar için bu mevcut değildir. Bu sorun ilk olarak Firpo (2007) ve Firpo ve ark. (2009). Koşullu kantil regresyon katsayılarını, olağan OLS katsayıları olarak yorumlanabilecek şekilde marjinalleştirmek için yeniden merkezli bir etki fonksiyonu kullanır. Amacınız için, bu tahminci çok yardımcı olmaz çünkü sadece eksojen değişkenlere izin verir. Eğer ilgileniyorsanız, Nicole Fortin web sitesinde Stata kodunu sunar.
Bildiğim en son koşulsuz IV kantil regresyon tahmincisi Powell (2013) tarafından yapılmıştır . Genelleştirilmiş (IV) kantil regresyon tahmincisi, endojenite varlığında marjinal kantil tedavi etkilerini tahmin etmenizi sağlar. RAND web sitesinde bir yerde de Stata kodunu kullanılabilir hale getiriyor, ancak şimdi bulamadım. Siz istediniz: daha önceki bir makalede bu tahminciyi panel veri bağlamında uygulamıştı (bakınız Powell, 2012 ). Bu tahminci harikadır, çünkü önceki tüm panel veri QR yöntemlerinin aksine bu tahminci büyük T asimtotisine dayanmaz (ki genellikle sahip değilsiniz, en azından mikroekonometrik verilerde yoktur).
Son fakat en az değil, daha egzotik bir varyant: sansürlü IVQR tahmincisi (CQIV) Chernozhukov ve ark. (2011) , adından da anlaşılacağı gibi, sansürlenmiş verilere dikkat etmenizi sağlar. Bu, Chernozhukov ve Hong (2003) tarafından, IV bağlamı için değil, çünkü bağlamamış olduğum makalenin bir uzantısıdır. Bu tahmin edici hesapsal olarak ağırdır, ancak sansürlenmiş verileriniz varsa ve bunun dışında başka bir yol yoksa, bu yol. Amanda Kowalski Stata kodunu web sitesinde yayınladı ya da RePEc'den indirebilirsiniz. Bu tahminci (ve bu arada IVQR ve SEE-IVQR) sürekli bir endojen değişkene sahip olduğunuzu varsayar. Bu tahmin edicileri, eğitimin 18 ila 20 arasında değer alan, yani tam olarak sürekli olmayan endojen değişkenim olduğu kazanç regresyonları bağlamında kullandım. Ancak simülasyon egzersizlerinde her zaman bunun bir sorun olmadığını gösterebilirim. Ancak, bu muhtemelen uygulamaya bağlıdır, bu yüzden kullanmaya karar verirseniz, iki kez kontrol edin.