标题： 加权平均分位数回归 显示英文标题

标题： Weighted-average quantile regression

摘要： 在本文中，我们引入了加权平均分位数回归框架，$\int_0^1 q_{Y|X}(u)\psi(u)du = X'\beta$，其中$Y$是一个因变量，$X$是一个协变量向量，$q_{Y|X}$是给定$X$的$Y$条件分布的分位数函数，$\psi$是一个加权函数，$\beta$是一个参数向量。 我们认为这个框架在许多应用环境中具有研究价值，并开发了参数向量$\beta$的估计量。 我们证明了我们的估计量是$\sqrt T$-一致的，并且渐近正态，均值为零且协方差矩阵易于估计，其中$T$是可用样本的大小。 我们通过在两个实证环境中应用它来展示我们估计量的实用性。 在第一个环境中，我们专注于金融数据，研究行业投资组合预期不足的因素结构。 在第二个环境中，我们专注于工资数据，研究不平等和社会福利对常用个体特征的依赖性。 显示英文摘要

摘要： In this paper, we introduce the weighted-average quantile regression framework, $\int_0^1 q_{Y|X}(u)\psi(u)du = X'\beta$, where $Y$ is a dependent variable, $X$ is a vector of covariates, $q_{Y|X}$ is the quantile function of the conditional distribution of $Y$ given $X$, $\psi$ is a weighting function, and $\beta$ is a vector of parameters. We argue that this framework is of interest in many applied settings and develop an estimator of the vector of parameters $\beta$. We show that our estimator is $\sqrt T$-consistent and asymptotically normal with mean zero and easily estimable covariance matrix, where $T$ is the size of available sample. We demonstrate the usefulness of our estimator by applying it in two empirical settings. In the first setting, we focus on financial data and study the factor structures of the expected shortfalls of the industry portfolios. In the second setting, we focus on wage data and study inequality and social welfare dependence on commonly used individual characteristics.