Please use this identifier to cite or link to this item: http://hdl.handle.net/10419/103028
Authors: 
Chen, Heng
Year of Publication: 
2014
Series/Report no.: 
Bank of Canada Working Paper 2014-24
Abstract: 
Estimation of the quantile model, especially with a large data set, can be computationally burdensome. This paper proposes using the Gaussian approximation, also known as quantile coupling, to estimate a quantile model. The intuition of quantile coupling is to divide the original observations into bins with an equal number of observations, and then compute order statistics within these bins. The quantile coupling allows one to apply the standard Gaussian-based estimation and inference to the transformed data set. The resulting estimator is asymptotically normal with a parametric convergence rate. A key advantage of this method is that it is faster than the conventional check function approach, when handling a sizable data set.
Abstract (Translated): 
L’estimation d’un modèle de régression quantile peut nécessiter des calculs considérables, tout particulièrement si ce modèle s’appuie sur un grand ensemble de données. Une approximation gaussienne est ici proposée (couplage quantile) comme méthode d’estimation. Le principe du couplage quantile consiste à diviser les observations initiales en sous-groupes composés d’un nombre égal d’observations, puis à calculer des statistiques d’ordre pour chacun de ces sous-groupes. Ce couplage permet d’appliquer aux données transformées une méthode d’estimation et d’inférence gaussienne standard. L’estimateur obtenu suit une loi asymptotiquement normale et son taux de convergence est paramétrique. L’un des principaux avantages de cette method réside dans le fait qu’elle assure un traitement plus rapide des grands jeux de données que l’approche classique par fonction de perte.
Subjects: 
Econometric and statistical methods
JEL: 
C13
C14
C21
Document Type: 
Working Paper

Files in This Item:
File
Size
225.52 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.