というNBER論文が上がっている(3年前のWP)。原題は「Errors in the Dependent Variable of Quantile Regression Models」で、著者はJerry A. Hausman(MIT)、Haoyang Liu(NY連銀)、Ye Luo(香港大)、Christopher Palmer(MIT)。
以下はその要旨。
The popular quantile regression estimator of Koenker and Bassett (1978) is biased if there is an additive error term. Approaching this problem as an errors-in-variables problem where the dependent variable suffers from classical measurement error, we present a sieve maximum-likelihood approach that is robust to left-hand side measurement error. After providing sufficient conditions for identification, we demonstrate that when the number of knots in the quantile grid is chosen to grow at an adequate speed, the sieve maximum-likelihood estimator is consistent and asymptotically normal, permitting inference via bootstrapping. We verify our theoretical results with Monte Carlo simulations and illustrate our estimator with an application to the returns to education highlighting changes over time in the returns to education that have previously been masked by measurement-error bias.
(拙訳)
一般的なケンカー=バセット(1978)の分位点回帰の推計値は、加法的な誤差項があると偏りを生じる。我々は、従属変数に古典的な測定誤差が生じる変数誤差問題としてこの問題に対処し、左辺の測定誤差について頑健な篩最尤法手法を提示する。識別のための十分条件を示した後に、分位格子の結節点の数が適度な速度で増加するような選択がなされた場合、篩最尤法推計値は一致性を持ち、漸近的に正規分布となるため、ブートストラップによる推計が可能であることを示す。我々は自分たちの理論的結果をモンテカルロシミュレーションで確認し、教育のリターンに適用することでその推計値を例証する。その例証では、従来は測定誤差によって隠されていた教育のリターンの時系列的変化が明らかになる。