Aunque esta pregunta ya ha aceptado la respuesta, creo que todavía puedo contribuir a ello. El Koenker (2005) libro realmente no tienes mucho debido a los avances en IV regresión cuantil comenzó a recoger alrededor de ese tiempo.
Los primeros IV cuantil técnicas de regresión incluyen la cadena causal marco Chesher (2003), que fue desarrollada en el promedio ponderado de las desviaciones de enfoque (WAD) por Ma y Koenker (2006). En este documento se introduce también el control de la variable aleatoria enfoque. Una idea similar fue utilizado por Lee (2007) que deriva de una inyección INTRAVENOSA cuantil estimador de regresión utilizando las funciones de control.
Todos estos estimadores hacer uso de un supuesto triangular de la estructura del error, la cual es necesaria para su identificación. El problema con esto es que esta estructura triangular es inverosímil para la endogeneidad de los problemas que surgen debido a la simultaneidad. Por ejemplo, usted puede utilizar estos estimadores para un suministro-estimación de la demanda de problema.
El estimador por Abadie, Angrist y Imbens (2002), que Dimitriy V. Masterov mencionado, se supone que tiene tanto un binario variable endógena y un binario instrumento. En general, este es un marco restrictivo sino que se extiende a FINALES de la década de enfoque de regresión lineal IV regresiones de cuantiles. Esto es bueno porque muchos investigadores, especialmente en la economía, están familiarizados con los FINALES de concepto y la interpretación de la resultante de los coeficientes.
El trabajo seminal por Chernozhukov y Hansen (2005) realmente arrancó esta literatura y estos dos chicos han hecho un gran trabajo en esta área. El IV cuantil estimador de regresión (IVQR) proporciona un vínculo natural a la 2SLS estimador en el cuantil contexto. Su estimador es implementado a través de Matlab o Buey como Dimitriy señalado, pero usted puede olvidarse de que Kwak (2010) en papel. Este documento nunca llegó a la Stata journal y también su código no se ejecuta correctamente. Supongo que no abandonaron este proyecto.
En lugar usted debe considerar el alisado de ecuaciones de estimación IVQR (VER-IVQR) estimador por el método de Kaplan y el Sol (2012). Esta es una reciente estimador que es una mejora sobre el original IVQR estimador en términos de velocidad de cálculo (se evita la carga de rejilla algoritmo de búsqueda) y error cuadrático medio. El código de Matlab está disponible aquí.
El papel por Frölich y Melly (2010), es agradable porque considera que la diferencia entre condicionales e incondicionales de regresión cuantil. El problema con los cuantiles de regresión en general es que una vez que se incluyen covariables en su regresión, la interpretación de los cambios. En OLS siempre se puede ir desde el condicional para los incondicionales de la expectativa a través de la ley de expectativas iteradas pero por cuantiles esto no está disponible. Este problema fue mostrado por primera vez por Firpo (2007) y Firpo et al. (2009). Él utiliza una re-centrado en la influencia de la función con el fin de marginar cuantil condicional coeficientes de regresión de tal manera que puede ser interpretado como la usual de MCO de los coeficientes. Para su propósito, este estimador no ayuda mucho, porque permite variables exógenas sólo. Si usted está interesado, Nicole Fortin hace que el programa Stata código disponible en su sitio web.
El más reciente incondicional IV cuantil estimador de regresión que conozco es por Powell (2013). Su generalizada (IV) cuantil estimador de regresión permite estimar marginal cuantil los efectos del tratamiento en la presencia de endogeneidad. En algún lugar en el RAND sitio web también hace su Stata código disponible, no lo pude encontrar justo ahora. Puesto que usted lo pidió: en un artículo anterior había implementado este estimador en el panel de datos de contexto (véase Powell, 2012). Este estimador es genial, porque a diferencia de todos los anteriores datos de panel QR métodos de este estimador no depende de T grande asymptotics (que por lo general no tienen, al menos no en microeconometric de datos).
Por último, pero no menos importante, una variante más exótica: el censurado IVQR estimador (CQIV) por Chernozhukov et al. (2011) que permite tomar cuidado para datos censurados - como el nombre sugiere. Es una extensión del papel por Chernozhukov y Hong (2003) el cual no enlace porque no es para el IV contexto. Este estimador es computacionalmente pesado, pero si usted tiene datos censurados y no de otra manera alrededor de ella, este es el camino a seguir. Amanda Kowalski ha publicado el programa Stata código en su sitio web, o puede descargarlo de RePEc. Este estimador (y, por cierto, también la IVQR y VER-IVQR) suponga que tiene un continuo de la variable endógena. He utilizado estos estimadores en el contexto de las ganancias regresiones donde la educación era mi variable endógena que tuvo entre el 18 al 20 de valores, por lo que no es exactamente continua. Pero en los ejercicios de simulación que siempre podía mostrar que esto no es un problema. Sin embargo, esto es probablemente dependiente de la aplicación, así que si decide utilizar esta doble verificación.
