分位数回归中的工具变量方法（IVQR）.docxVIP

分位数回归中的工具变量方法（IVQR）

一、引言

在当代计量经济学与统计学的交叉领域，关于非线性关系与内生性问题的探讨始终占据着核心地位。传统的线性回归模型虽然以其简洁明了和易于解释的特点被广泛应用，但它往往隐含了一个过于苛刻的假设，即变量之间的关系在所有水平上都是线性的且对称的。然而，现实世界中的经济现象往往更为复杂，变量之间的相互作用并非总是呈线性变化，其影响效应往往随着解释变量取值的不同而呈现出显著的异质性。为了捕捉这种“条件分位数”上的非线性特征，Koenker和Bassett于1978年提出了分位数回归这一革命性的方法。与普通最小二乘法（OLS）关注的是条件均值不同，分位数回归旨在估计自变量在不同分位点（如中位数、25%分位或75%分位）上的变化对因变量的影响，从而能够提供比均值回归更丰富、更稳健的分布信息（KoenkerandBassett,1978）。

然而，分位数回归模型在应用过程中同样面临着严峻的挑战，其中最核心的难题便是内生性问题。与均值回归类似，分位数回归模型中的解释变量同样可能存在测量误差、遗漏变量或联立内生性等问题，这会导致估计结果出现偏差，进而误导决策。针对均值回归中的内生性问题，工具变量法（IV）已经成为解决这一问题的标准范式，并在学术界得到了广泛验证。那么，当我们将这一方法引入分位数回归框架时，是否依然有效？分位数回归中的工具变量方法（IVQR