Crossing penalised CAViaR
针对多动态分位数联合估计研究有限的问题，本文提出带交叉惩罚的联合估计目标函数，经蒙特卡洛实验和FTSE100实证验证，为时间序列多动态分位数建模提供灵活稳健的新方法。
2025-01-17 q-fin.ST stat.ME
Neural Spline Search for Quantile Probabilistic Modeling
Google Cloud AI（谷歌云人工智能）；Google Research, Brain Team（谷歌研究院，大脑团队）
输出分位数的准确估计在许多用例中是至关重要的，其中期望对可能性的范围进行建模。在任意分位数水平和任意输入属性水平上对目标分布进行建模对于提供数据的全面情况非常重要，并且要求分位数函数具有足够的表达能力。使用分位数水平描述目标分布的分位数函数对于分位数回归至关重要。虽然可以采用各种参数形式的分布（分位数函数指定），但一个永恒的问题是选择最合适的，可以正确地近似数据分布。在本文中，我们提出了一种非参数和数据驱动的方法，神经样条搜索（NSS），代表观察到的数据分布没有参数假设。NSS是灵活的和表达的建模数据分布，通过转换的输入与一系列单调样条回归的符号算子引导。我们证明了NSS在合成，真实世界的回归和时间序列预测任务上优于以前的方法。
2023-01-12 cs.AI stat.ME
COPAR - Multivariate time series modeling using the COPula AutoRegressive model
多元时间序列分析是金融、经济等领域的一个常见问题。用于此目的的经典工具是向量自回归模型。然而，这些仅限于线性和对称依赖的建模。我们提出了一种新的基于Copula的模型，它允许非线性和非对称建模的串行以及系列之间的依赖关系。该模型充分利用了仅由二元连接函数建立的藤连接函数的灵活性。我们描述了新模型的统计推断技术，并在三个相关的应用中证明了它的实用性：我们分析了宏观经济指标的时间序列，电力负荷需求和债券投资组合的回报。
2012-04-04 stat.ME
Quantile double autoregression
许多金融时间序列在不同的分位数水平上具有不同的结构，同时也表现出条件异方差现象。同时，目前还缺乏一个同时兼顾这两个特征的时间序列模型。本文提出了一种新的条件异方差模型，即分位数双自回归模型。导出了新模型的严格平稳性，并提出了一种自加权条件分位数估计。原双自回归模型的两个有前途的性质被证明是保留。基于分位数自相关函数和自加权概念，构造了两种组合检验，它们可以联合使用来检验拟合条件分位数的充分性。通过仿真研究检验了所提出的推理工具在有限样本情况下的性能，并通过对标准普尔500指数的分析进一步证明了新模型的必要性。
2020-12-28 math.ST stat.ME stat.TH
Quantile Regression for Partially Linear Varying Coefficient Spatial Autoregressive Models
本文研究了具有可能变系数的部分线性空间自回归模型的分位数回归方法。采用B样条函数对变系数进行逼近。参数估计采用工具变量分位数回归方法。秩分检验是对系数的假设进行的检验，包括对不变系数和变系数恒常性的假设。建立了估计量和检验统计量的渐近性质。蒙特卡罗模拟进行研究所提出的方法的有限样本性能。一个真实的数据的例子进行分析说明。
2016-08-05 stat.ME
A nonparametric approach to understand multivariate quantile dynamics in financial time series
Indian Institute of Management Bangalore（班加罗尔印度管理学院）；Indian Institute of Science Education and Research（印度科学教育与研究学院）；University of Haifa（海法大学）
本文提出一种非参数回归框架，用于分析金融时间序列中的多变量分位数动态，探讨了条件均值和波动率估计的收敛性，并通过模拟研究验证了方法的有效性。
2026-03-17 stat.ME
Bayesian Median Autoregression for Robust Time Series Forecasting
本文提出了一种用于时间序列预测的贝叶斯中值自回归模型。所提出的方法利用时变分位数回归在中位数，有利地继承中位数回归的鲁棒性，而广泛使用的均值为基础的方法。贝叶斯分位数回归中的拉普拉斯似然方法的启发，BayesMAR通过将高斯误差改变为拉普拉斯，采用与自回归模型具有相同结构的参数模型，从而为时间序列预测提供了一种简单，鲁棒和可解释的建模策略。我们用马尔可夫链蒙特卡罗估计模型参数。除了贝叶斯模型选择方法外，贝叶斯模型平均法用于解释模型不确定性，包括自回归顺序中的不确定性。所提出的方法进行了说明，使用模拟和实际数据的应用。对美国宏观经济数据预测的应用表明，与所选择的基于均值的替代方案相比，BayesMAR在包括点预测和概率预测的各种损失函数下具有良好的预测性能。所提出的方法是通用的，可以用来补充丰富的一类方法，建立在自回归模型。
2020-12-05 econ.EM stat.AP stat.ME
Interquantile Shrinkage in Spatial Quantile Autoregressive Regression models
空间相关数据经常出现在空间计量经济学、流行病学等领域。为了处理变量间的相关性和利用协变量估计分位数效应，引入了空间分位数自回归模型（SQAR模型）。传统的分位数回归只关注拟合模型，而忽略了多个条件分位数函数的检验，这提供了对响应和协变量之间关系的全面视图。因此，有必要研究不同分位数下的不同回归斜率，特别是在分位数系数具有某些共同特征的情况下。然而，传统的Wald多重检验不仅增加了计算负担，而且带来了更大的FDR。本文将参数估计和检验问题转化为惩罚问题，在估计不同分位数下的参数的同时，识别分位数间的共性。为了避免SQAR模型中空间滞后变量引起的内隐问题，在估计前引入工具变量，提出了基于融合自适应LASSO和融合自适应超范数惩罚的两阶段估计方法。所提出的估计方法的预言性质的建立。数值实验表明，该方法比传统的分位数回归方法具有更高的估计效率。
2021-11-13 stat.ME
A semi-parametric estimation method for quantile coherence with an application to bivariate financial time series clustering
本文提出融合 VAR 参数谱近似、QACF、Durbin-Levinson 算法与跨分位数非参数平滑的分位数相干性半参数估计方法，并用于二元金融时间序列聚类。
2024-02-29 stat.CO stat.ME
High-dimensional Autoregressive Modeling for Time Series with Hierarchical Structures
Department of Statistics and Actuarial Science, University of Hong Kong（香港大学统计及精算学系）
本文提出一种结合监督学习与无监督因子建模的高效自回归模型，用于处理高维时间序列中的分层结构数据，通过普通最小二乘估计和提升方法进行参数选择，通过仿真和Personality-120数据集验证方法有效性。
2026-11-03 stat.ME
Discrete Autoregressive Switching Processes with Cumulative Shrinkage Priors for Graphical Modeling of Time Series Data
针对多元时间序列的稀疏高斯图建模问题，提出结合隐藏离散自回归过程、图马蹄形先验和累积收缩先验的贝叶斯方法，可估计状态数与滞后数，经模拟验证性能，还能用于基于fMRI数据的动态脑连接估计。
2025-08-19 stat.ME
Estimation and Autoregressive Modeling of Mittag-Leffler Distributions with Application in Finance
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；Indian Institute of Technology Ropar（印度理工学院罗帕尔分校）
本文提出利用经验拉普拉斯变换方法估计Mittag-Leffler分布参数，并建立自回归模型用于高频交易数据分析。
2026-08-24 stat.ME
Quantile autoregressive conditional heteroscedasticity
本文提出一种基于分位数回归过程框架的条件异方差时间序列模型，该模型在不同分位数水平下提供变化结构，并包含GARCH模型作为特例，通过自加权QR和CQR估计量处理重尾分布并外推高分位数，具有渐近性质，模拟和实证验证了其有效性。
2023-11-13 stat.ME
Multivariate Quantile Function Forecaster
Emory University（埃默里大学）；Amazon Research（亚马逊研究院）；Zalando SE
我们提出了多变量分位数函数预测器（MQF $^2$），一个全局概率预测方法，使用一个多变量分位数函数构造，并研究其应用于多期预测。现有方法是自回归的，隐式地捕获跨时间的依赖性结构，但随着预测范围的增加而表现出误差累积，或者是多范围序列到序列模型，其不表现出误差累积，但通常也不对跨时间步长的依赖性结构进行建模。MQF $^2$结合了这两种方法的优点，直接以多元分位数函数的形式进行预测，定义为凸函数的梯度，我们使用输入凸神经网络参数化。通过设计，分位数函数相对于输入分位数水平是单调的，因此避免了分位数交叉。我们提供了两个选项来训练MQF $^2$：能量评分或最大似然。在真实世界和合成数据集上的实验结果表明，我们的模型在捕获时间依赖结构的同时，在单个时间步长度量方面具有与最先进方法相当的性能。
2022-12-04 cs.LG stat.ML
Efficient prediction for linear and nonlinear autoregressive models
在平稳时间序列中，给定过去观测值的条件期望通常由核估计直接估计，或者通过插入核估计来估计转移密度。我们证明了，对于独立新息驱动的线性和非线性自回归模型，适当的平滑加权von Mises残差统计量估计条件期望具有更好的参数率，并且是渐近有效的.证明是基于一个均匀的随机扩展平滑和加权冯米塞斯过程的残差。我们认为，特别是，估计的条件分布函数和条件分位数函数。
2007-02-23 math.ST stat.TH
Bootstrap Prediction Inference of Non-linear Autoregressive Models
针对 NLAR 模型多步预测中迭代法次优及预测区间有限样本覆盖不足的问题，提出 bootstrap 最优点预测与预测区间构造方法，并用预测残差改进覆盖性能。
2023-06-07 math.ST stat.ME stat.TH
Prediction intervals for quantile autoregression
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
本文提出基于分位数技术的自回归模型预测区间构建方法，通过结合自助方案提升覆盖性能和计算效率，并通过实证数据验证其有效性。
2025-12-26 stat.ME
On a quantile autoregressive conditional duration model applied to high-frequency financial data
自回归条件持续期（ACD）模型主要用于处理两个连续事件之间的时间产生的数据。这些模型通常是指定在一个随时间变化的条件均值或中位数持续时间。在本文中，我们放宽这一假设，并考虑一个条件分位数的方法，以方便不同的分位数建模。所提出的ACD分位数模型是基于一个倾斜版本的Birnbaum-Saunders分布，它提供了更好的拟合的尾部比传统的Birnbaum-Saunders分布，除了推进实现的期望条件最大化（ECM）算法。进行蒙特卡罗模拟研究，以评估模型的行为以及参数估计方法，并评估一种形式的残差。一个真实的金融交易数据集进行了分析，以说明所提出的方法。
2021-09-08 econ.EM stat.ME
Parametric quantile autoregressive moving average models with exogenous terms applied to Walmart sales data
带外生项的参数自回归滑动平均模型（ARMAX）在文献中得到了广泛的应用。通常，这些模型考虑条件均值或中值动态，这限制了分析。本文介绍了一类基于对数对称分布的分位数ARMAX模型。这个类别是由分位数和分散参数索引的。它不仅适应了双峰和/或轻/重尾分布数据建模的可能性，而且还适应异方差性。我们用条件极大似然法估计模型参数。此外，我们进行了广泛的蒙特卡罗模拟研究，以评估所提出的模型和估计方法在检索真实的参数值的性能。最后，将所提出的模型类和估计方法应用于竞争“M5预测-准确性”的数据集，该数据集对应于几种沃尔玛产品的每日销售历史。结果表明，所提出的对数对称分位数ARMAX模型具有良好的模型拟合和预测性能。
2022-05-31 stat.AP stat.ME
AdaCat: Adaptive Categorical Discretization for Autoregressive Models
University of California Berkeley（加州大学伯克利分校）
自回归生成模型可以估计复杂的连续数据分布，如RL环境中的轨迹展开，图像强度和音频。大多数最先进的模型将连续数据离散化到几个箱中，并使用箱上的分类分布来近似连续数据分布。其优点是分类分布可以很容易地表达多个模式，并且可以直接优化。然而，这样的近似不能表达密度的急剧变化，而不使用更多的箱，使其参数效率低下。我们提出了一种高效的，富有表现力的，多模态参数化称为自适应分类离散化（AdaCat）。AdaCat自适应地离散自回归模型的每个维度，这允许模型将密度分配到感兴趣的精细区间，从而提高参数效率。AdaCat可以推广分类回归和基于分位数的回归。AdaCat是任何基于离散化的分布估计器的简单插件。在实验中，AdaCat改进了真实世界表格数据、图像、音频和轨迹的密度估计，并改进了基于模型的离线RL的规划。
2022-08-03 cs.AI cs.LG stat.ML
Moving Aggregate Modified Autoregressive Copula-Based Time Series Models (MAGMAR-Copulas)
TU Dortmund University（多特蒙德工业大学）
本文提出MAGMAR-皮克罗模型，通过引入移动聚合部分改进传统皮克罗时间序列模型，以处理非马尔可夫过程，通过D-vine框架推导分布特性，并在美通胀数据上验证模型性能。
2026-03-23 math.PR math.ST stat.AP
Autoregressive Modeling of Forest Dynamics
在这项工作中，我们采用金融工程中开发的自回归模型的森林动态建模。自回归模型比目前采用的森林建模方法（如马尔可夫链和基于个体的模型）具有一些理论优势，因为自回归模型在分析上易于处理，并且在连续状态空间中运行。我们进行时间序列统计分析的森林生物量和断面积记录在魁北克省森林清查在1970年至2007年。几何随机游走模型能较好地描述年平均动态。对于单个补丁，我们拟合了一个能够模拟负反馈（均值回归）的AR（1）过程。总体而言，最佳拟合也是几何随机游走，但是残差的正态性检验失败。与此相反，年平均值可以用正常波动来描述，年平均增长率为2.3%，但标准差为40%。我们使用贝叶斯分析来解释每年观测的奇数。这项工作表明，自回归模型是一个有价值的工具，森林动态建模。特别是，他们量化环境干扰的随机效应，并开发短期和中期时间尺度的预测经验模型。
2019-11-20 q-bio.PE q-bio.QM stat.AP
Autoregressive Moving Average and Generalized Autoregresive Moving Average in Covid-19 Confirmed Cases in Indonesia
自回归移动平均和广义自回归移动平均是统计建模中常用的两种方法。本研究使用这种方法，因为该方法使用上一期间的数据来模拟本期的数据。此外，该技术经常用于数据预测。常用的数据是计数数据。计数数据通常是最常导致数据不扩散的数据。因此，发展了时间序列建模方法，其中之一是通过算术序列进行建模。本研究旨在从印度尼西亚确诊的COVID 19阳性病例中获得最佳建模结果。他们是根据最小的Aikake信息标准值，对印度尼西亚新冠肺炎确诊病例进行最佳建模后得出的结果。
2022-01-14 stat.AP
Forecasting the Volatilities of Philippine Stock Exchange Composite Index Using the Generalized Autoregressive Conditional Heteroskedasticity Modeling
本研究旨在利用广义自回归条件异方差模型（GARCH）寻找一个合适的统计模型来预测PSEi的波动率。使用R软件，使用各种ARIMA模型对PSEi的对数收益进行建模，并且在异方差存在的情况下，使用GARCH对对数收益进行建模。基于分析，GARCH模型是最适合用于PSEi的日志返回。在所选的GARCH模型中，Gestro（1，2）具有最低的AIC值，也具有最高的LL值，这意味着Gestro（1，2）是PSEi的对数收益的最佳模型。
2019-02-21 q-fin.ST stat.CO
Hawkes Process Modeling of Block Arrivals in Bitcoin Blockchain
本文构建了比特币区块到达和价格跳跃的多变量Hawkes过程模型。Hawkes过程是自激点过程，可以捕获块挖掘和比特币价格波动的自激和交叉激发效应。我们使用公开可用的区块链数据集通过最大似然估计来估计模型参数。研究结果表明，比特币价格波动性提高了区块挖掘率，比特币投资收益呈现均值回归。分位数-分位数图表明，提出的Hawkes过程模型比泊松过程模型更适合区块链数据集。
2022-03-30 cs.NI stat.AP
Sparse Vector Autoregressive Modeling
向量自回归（VAR）模型已被广泛用于多变量时间序列的时间相关性建模。对于大（甚至中等）维度，AR系数的数量可能非常大，导致噪声估计，不稳定的预测和难以解释的时间依赖性。为了克服这些缺点，我们提出了一个2阶段的方法来拟合稀疏VAR（sVAR）模型，其中许多AR系数为零。第一阶段选择非零AR系数的基础上估计的部分频谱相干性（PSC）连同BIC的使用。PSC用于量化多变量过程中边际序列之间的条件关系。然后应用细化第二阶段以进一步减少参数的数量。这2阶段的方法的性能示出了仿真结果。两阶段方法也适用于两个实际数据的例子：第一个是谷歌流感趋势数据，第二个是空气污染物浓度水平的时间序列。
2012-07-02 stat.AP stat.CO
Missing Data Imputation and Multilevel Conditional Autoregressive Modeling of Spatial End-Stage Renal Disease Incidence
本文在贝叶斯框架下采用多水平条件自回归模型分析佛罗里达终末期肾病发病率，并引入空间状态空间模型插补缺失空间数据，为政策制定者提升弱势人群医疗服务质量提供见解。
2023-09-12 stat.AP
Modeling sign concordance of quantile regression residuals with multiple outcomes
分位数回归允许描述标量响应变量的分位数如何取决于一组预测因子。由于缺乏多元分位数的唯一定义，将分位数回归扩展到多元响应有些复杂。在本文中，我们描述了一个简单的方法，基于一个两步的过程：在第一步中，分位数回归分别适用于每个响应;在第二步中，残差的符号的联合分布通过多项式回归建模。所描述的方法不需要分位数的多维定义，并且可以用于捕获多变量响应的重要特征并评估协变量对相关结构的影响。我们应用所提出的方法来分析两个不同的数据集。
2021-04-21 stat.ME
Longitudinal quantile regression in presence of informative drop-out through longitudinal-survival joint modeling
我们提出了一个联合模型的时间到事件的结果和一个分位数的连续响应重复测量随着时间的推移。分位数和生存过程通过共享的潜在变量和显式变量相关联。我们的联合模型提供了一个灵活的方法来处理信息脱落分位数回归。提出了一种基于重要性抽样的蒙特卡罗期望最大化策略，该策略可直接应用于纵向结果和随机效应的任意分布假设以及基线风险的参数和非参数假设。模型属性说明通过模拟研究和应用程序的原始数据集扩张型心肌病。
2014-04-04 stat.ME
General Bayesian quantile regression for counts via generative modeling
本文提出一种面向计数数据的通用贝叶斯分位数回归框架，利用潜在连续变量与贝叶斯非参数核混合建模联合分布，并通过优化获得后验，显著提升估计精度与实际可解释性。
2025-07-25 stat.ME
A parametric quantile beta regression for modeling case fatality rates of COVID-19
受COVID-19病死率（CFR）的启发，本文基于广义三参数贝塔（GB 3）分布建立了一个全参数分位数回归模型。Beta回归模型主要用于对比率和比例进行建模。然而，这些模型通常是指定的条件平均值。因此，如果观察到的响应变量遵循非对称分布（如CFR数据），则这些数据可能不充分。此外，β回归模型不考虑协变量在因变量范围内的影响，这可以通过条件分位数方法来实现。为了引入所提出的GB 3回归模型，我们首先通过插入分位数参数来重新参数化GB 3分布，然后我们开发了新提出的分位数模型。我们还提出了一个简单的解释预测响应关系的百分位数的增加/减少。进行蒙特卡罗研究以评估最大似然估计的性能和链接函数的选择。最后，来自智利的一个真实的COVID-19数据集进行了分析和讨论，以说明所提出的方法。
2021-10-09 stat.ME
Quantile Regression Modeling of Recurrent Event Risk
慢性疾病的进展通常表现为随着时间的推移反复发生疾病相关事件。描述这种复发事件风险的异质性可以为指导定制的疾病管理提供有价值的科学见解。在本文中，我们提出了一个新的建模框架，复发事件的数据，这使得一个灵活的和强大的表征，通过分位数回归，同时容纳观察到的协变量和不可观察的脆弱性的复发事件的个人倍增风险。建议的建模不需要分布规格的不可观察的弱点，同时允许探索动态协变量的影响。我们开发的估计和推理程序所提出的模型，通过一种新的适应原则的条件得分。证明了估计量的一致相合性和弱收敛性。大量的仿真研究表明，所提出的方法具有令人满意的有限样本性能。我们通过应用于糖尿病临床试验来说明新方法的实际效用，该试验探索了2型糖尿病患者低血糖的风险模式。
2018-11-15 stat.ME
D-vine copula based quantile regression
分位数回归，即条件分位数的预测，在统计建模和金融应用中逐渐获得重要性。作者介绍了一种新的半参数分位数回归方法的基础上，顺序拟合的似然最优D-藤copula给定的数据，导致高度灵活的模型，易于提取的条件分位数。作为正则vine copula的一个子类，D-vines使得能够根据二元构建块对多元copula进行建模，即所谓的pair-copula构造（PCC）。该算法的工作速度快，准确，即使在高维，并采用了自动变量选择最大化的条件对数似然。此外，分位数回归的典型问题，如分位数交叉或变换，变量的相互作用和共线性，都将自动处理。在一个模拟研究中，与已建立的分位数回归方法相比，该方法提高了精度并节省了计算时间。国际信用违约互换（CDS）数据，包括压力测试和风险价值（VaR）预测的广泛的金融应用表明，所提出的方法的实用性。
2016-11-16 stat.ME
Nonlinear quantile mixed models
在回归应用中，观测值之间存在的非线性和相关性不仅在最小二乘回归等传统设置中带来了计算挑战，而且（尤其是）在目标函数为非光滑时（如分位数回归）也带来了计算挑战。在本文中，我们开发的非线性条件分位数函数的建模和估计的方法时，数据聚集在两个水平的嵌套设计。这项工作代表了Geraci和Bottai的线性分位数混合模型的扩展（2014，统计和计算）。我们开发了一种新的算法，这是一个混合的平滑算法的分位数回归和二阶拉普拉斯近似的非线性混合模型。为了评估所提出的方法，我们提出了一个模拟研究和两个应用程序，一个在药代动力学和一个相关的农业生长曲线建模。
2019-06-07 stat.ME
Nonparametric C- and D-vine based quantile regression
分位数回归是统计建模中重要性稳步增长的领域。它是线性回归的一种补充方法，因为计算一系列条件分位数函数可以更准确地建模变量之间的随机关系，特别是在尾部。我们介绍了一个非限制性的和高度灵活的非参数分位数回归方法的基础上C和D藤连接。藤连接允许对数据中的边缘分布和依赖结构进行单独建模，并且可以通过由树序列给出的图论模型来表示。通过这种方式，我们得到了一个分位数回归模型，它克服了分位数回归的典型问题，如分位数交叉或共线性，需要转换和变量的相互作用。我们的方法采用了两步提前排序的变量，通过最大化的树序列的条件对数似然，同时考虑到未来两个树的水平。此外，我们证明了非参数条件分位数估计是相容的。所提出的方法的性能进行评估，在低维和高维设置使用模拟和真实世界的数据。结果支持所提出的模型的优越的预测能力。
2021-11-16 stat.ME
Mixed Effect Modeling and Variable Selection for Quantile Regression
已知分位数回归（QR）的估计方程可以使用期望最大化算法求解，其中M步通过加权最小二乘法计算，在E步处计算的权重作为独立广义逆高斯变量的期望。这里利用这一事实来扩展QR，以允许线性预测器中的随机效应。在这种设置的算法的收敛性建立表明，它是一个广义交替最小化（GAM）的过程。另一个修改的期望最大化算法也允许我们适应最近提出的方法，平均回归模型中的变量选择的QR设置。仿真结果表明，所得到的方法显着优于使用套索惩罚的QR模型中的变量选择。应用到实际数据包括住院时间的脆弱QR分析，以及使用高维基因表达阵列预测肺癌发病年龄和核黄素生产率的变量选择。
2021-04-17 stat.ME
Quantile Regression of Latent Longitudinal Trajectory Features
分位数回归在纵向数据分析中已显示出很好的应用前景。现有的工作主要集中在模拟横截面的结果，而结果轨迹往往携带更多的实质性信息在实践中。在这项工作中，我们开发了一个轨迹分位数回归框架，旨在稳健和灵活地调查潜在的个人轨迹特征与观察到的主题特征。所提出的模型是建立在建模与通常的参数假设解除或放松。我们得到我们的估计过程中，新奇的转换问题在手的分位数回归与扰动响应和适应的偏差校正技术处理协变量测量误差。我们建立了期望的渐近性质，包括一致相合性和弱收敛性。大量的仿真研究证实了所提出的方法的有效性以及其鲁棒性。DURABLE试验的应用揭示了合理的科学发现，并说明了我们建议的实用价值。
2018-06-18 stat.ME
Parametric Modeling of Quantile Regression Coefficient Functions with Longitudinal Data
在普通的分位数回归中，不同阶数的分位数一次估计一个。另一种方法称为分位数回归系数建模（QRCM），将分位数回归系数建模为分位数阶数的参数函数。在本文中，我们描述了QRCM范式可以应用于纵向数据。我们引入了一个两水平分位数函数，其中使用两个不同的分位数回归模型来描述受试者内反应和个体效应的（条件）分布。我们提出了一种新型的惩罚固定效应估计，并讨论了它的优势，标准的方法的基础上$\ell_1$和$\ell_2$惩罚。我们提供了模型的可识别性条件，推导出渐近性质，描述拟合优度的措施和模型选择标准，目前的模拟结果，并讨论了应用。该方法已在R软件包qrcm中实现。
2020-05-30 econ.EM stat.ME
Dynamic Modeling with Conditional Quantile Trajectories for Longitudinal Snippet Data, with Application to Cognitive Decline of Alzheimer's Patients
纵向数据经常受到测量可用的时间点稀疏的困扰。功能数据分析的角度已被证明提供了一个有效的和灵活的方法来解决这个问题的情况下，测量是稀疏的，但他们的时间是随机分布在一个间隔。在这里，我们专注于一个不同的场景，可用的数据可以被描述为片段，这是非常短的纵向测量延伸。对于每一个主题，可用数据的延伸比感兴趣的时间框架短得多，这在加速纵向研究中很常见。一个额外的挑战是引入，如果一个时间代理，通常的纵向建模是基本的不可用。这种情况出现在阿尔茨海默氏病和类似的情况下，其中一个感兴趣的是时间动态性能下降，但疾病发作的时间是未知的，实足年龄不提供一个有意义的时间参考纵向建模。我们的主要方法的贡献是解决这个问题的一种新的方法。我们的方法的关键量是条件的分位数轨迹的单调过程中出现的动态系统的解决方案，我们得到一致的相合估计。这些轨迹被证明是有用的描述过程，量化恶化随着时间的推移，如阿尔茨海默氏症患者的海马体积。
2017-02-09 stat.ME
Smooth Density Spatial Quantile Regression
我们推导出的属性，并证明了可取的基于模型的方法估计协变量的分位数函数的空间变化的影响。通过将分位数函数建模为I-样条基函数和帕累托尾分布的组合，我们可以灵活地对极值进行参数建模，同时保留分布中心的非参数灵活性。我们进一步建立，该模型保证了所需程度的可微性的密度函数，使非平稳的协方差函数的估计依赖于预测。我们通过模拟研究表明，所提出的方法产生更有效估计的影响，预测比其他方法，特别是在分布与重尾。为了说明该模型的实用性，我们将其应用到测量的苯收集周围的炼油厂，以确定在炼油厂内的栅栏线测量的分布上的排放源的影响。
2019-04-30 stat.ME
The Multiple Quantile Graphical Model
我们引入了多分位数图形模型（MQGM），它扩展了Meinshausen和Buhlmann的邻域选择方法，用于学习稀疏图形模型。后者是由一个变量的条件均值建模为所有其他变量的稀疏函数的基本子问题定义的。我们的方法将一个变量的一组条件分位数建模为所有其他变量的稀疏函数，因此提供了更丰富，更有表现力的条件分布估计类。我们建立，在适当的正则条件下，MQGM确定确切的条件独立性与概率倾向于一个问题的大小的增长，即使在通常的同性高斯数据模型。我们开发了一个有效的算法，使用交替方向的乘法器来拟合MQGM。我们还描述了一种策略，从联合分布的MQGM估计的基础抽样。最后，我们提出了详细的实验，证明的灵活性和有效性的MQGM建模异方差非高斯数据。
2016-10-27 stat.ME
Prediction Intervals in the Beta Autoregressive Moving Average Model
Universidade Federal de Santa Maria（圣玛丽亚联邦大学）；UFPE（伯南布哥联邦大学）
在本文中，我们提出了五个预测区间的贝塔自回归移动平均模型。此模型适用于对假定值在$(0,1)$区间内的变量进行建模和预测。两个建议的预测区间是基于考虑正态分布和β分布的分位数函数的近似值。我们还考虑了基于自举的预测区间，即：（i）自举预测误差（BPE）区间;（ii）偏差校正和加速（BCa）预测区间;以及（iii）基于两种不同自举方案的自举预测值的分位数的百分位预测区间。根据蒙特卡罗模拟评价了建议的预测区间。BCa预测区间在评价区间中表现最好，表现出较低的覆盖率失真和较小的平均长度。我们应用我们的方法来预测巴西圣保罗的Cantareira供水系统的水位。
2022-07-24 cs.LG eess.SP physics.data-an
Quantile Functional Regression using Quantlets
在本文中，我们开发了一个分位数函数回归建模框架，该框架通过分位数函数对来自受试者的一组常见重复观察的分布进行建模，该分位数函数对一组协变量进行回归，以确定这些因素如何影响潜在受试者特定分布的各个方面。为了解释分位数函数的平滑性，我们引入了自定义的基函数，我们称之为\textit{quantlets}，它是稀疏的，正则化的，近无损的，并且是经验定义的，适应给定数据集的特征，并且包含高斯子空间，因此可以评估{非高斯性}。虽然这些quantlet可以在各种函数回归框架中使用，但我们构建了一个贝叶斯框架，该框架使用quantlet系数的非线性收缩来正则化函数回归系数，并在拟合马尔可夫链蒙特卡罗后允许完全贝叶斯推断。具体而言，我们应用全局检验来评估哪些协变量对分布有任何影响，然后进行局部检验来确定差异位于哪些特定分位数，同时调整多重检验，并评估协变量是否影响分布的某些主要方面，包括位置，尺度，偏度，高斯性或尾部。如果差异在于这些常用的摘要，我们的方法仍然可以检测到它们，但是我们的系统建模策略也可以检测到对分布的其他方面的影响，如果限制对预先选择的摘要的关注，这些方面可能会被忽略。我们通过模拟研究证明了基础空间建模的好处，并使用生物医学成像数据集说明了该方法，其中我们将肿瘤图像的像素强度分布与各种人口统计学，临床和遗传特征联系起来。
2017-10-31 stat.ME
Unit-Weibull Autoregressive Moving Average Models
本文提出单位威布尔自回归移动平均模型，用于建模(0,1)区间连续变量，采用部分极大似然估计，并通过模拟和美国制造业产能利用率数据验证其预测性能。
2022-11-03 math.ST stat.ME stat.TH
Mixture Quantiles Estimated by Constrained Linear Regression
Stony Brook University（石溪大学）
本文提出了一种通过约束线性回归估计混合分位数的方法，能够高效建模分布的中央部分和极端尾部。
2026-02-03 stat.ME
A Methodology for Robust Multiproxy Paleoclimate Reconstructions and Modeling of Temperature Conditional Quantiles
在根据将温度与温度敏感的古气候代用指标联系起来的模型重建过去温度方面取得了很大进展。这种重建的目标之一是评估当前气候在千年背景下是否异常。这些基于回归的方法将温度分布的条件平均值建模为古气候代理的函数（反之亦然）。该领域最近的一些焦点考虑了有助于减少此类统计古气候重建中固有的不确定性的方法，最终目标是提高此类努力的信心。该主题领域的第二个重要科学焦点是代理的正演模型领域，其目标是了解温度和其他环境变量驱动古气候代理的方式。在本文中，我们介绍了新的统计方法学（1）分位数回归与自回归残差结构，（2）估计相应的模型参数，（3）发展一个严格的框架，指定的不确定性估计的数量感兴趣，产生（4）统计副产品，解决上述两个科学焦点。我们的统计方法学证明产生一个更强大的重建比可能通过使用条件均值拟合方法。我们的重建分享了过去重建的一些共同特征，但也获得了有用的见解。更重要的是，我们能够证明一个显着较小的不确定性比以前的回归方法。此外，分位数回归组件允许我们以比最小二乘法更完整和灵活的方式对给定代理的温度的条件分布进行建模。这种关系可以用来通知有关代理如何由温度驱动的前向模型。
2013-08-27 stat.ME
Flexible Bayesian Quantile Analysis of Residential Rental Rates
本文提出一种基于广义非对称拉普拉斯分布的贝叶斯随机效应分位数回归模型，用于面板数据，并应用于全球金融危机后美国住宅租金率分析，结果表明该模型在多数分位数上提供了显著灵活性。
2023-09-06 econ.EM stat.ME
A Semiparametric Quantile Single-Index Model for Zero-Inflated Outcomes
针对微生物组零膨胀数据，提出半参数单指数分位数回归模型，放宽参数假设，适应零比例变化，并证明其拟合性能优越。
2025-03-27 stat.AP stat.ME
Scale-mixture Birnbaum-Saunders quantile regression models applied to personal accident insurance data
人身意外保险数据的建模一直是保险文献中一个非常相关的话题。这类数据往往表现出正偏态和重尾。在这项工作中，我们提出了一个新的分位数回归模型的基础上的规模混合Birnbaum-Saunders分布建模的人身意外保险数据。通过期望最大化算法得到模型参数的最大似然估计。两个蒙特卡罗模拟研究使用R软件进行。第一项研究的目的是分析期望最大化算法的性能，以获得最大似然估计，随机分位数和广义Cox-Snell残差。在第二个模拟研究中，的Wald，似然比，得分和梯度测试的大小和权力进行了评估。这两项模拟研究是在考虑不同的感兴趣分位数和样本量的情况下进行的。最后，一个真实的保险数据集进行了分析，以说明所提出的方法。
2023-03-20 stat.CO stat.ME
Modeling Extreme Events: Univariate and Multivariate Data-Driven Approaches
本文总结团队genEVA在EVA 2023数据挑战赛中的工作，针对单变量与多变量极值任务，分别采用神经网络分位数回归、损失函数微调、copula模型及聚类降维方法，在单变量任务中取得了最准确的分位数估计。
2024-10-16 stat.AP stat.ME
Bayesian Scalar-on-Tensor Quantile Regression for Longitudinal Data on Alzheimer's Disease
Rice University（莱斯大学）；MD Anderson Cancer Center（安德森癌症中心）
本文提出一种新的贝叶斯张量分位数回归方法，用于分析高维纵向影像数据，以探索脑行为关联随时间的变化。该方法结合低秩分解和多向收缩先验，提高参数估计和预测性能。
2026-03-18 stat.AP stat.ME
Parametric quantile regression models for fitting double bounded response with application to COVID-19 mortality rate data
在本文中，我们基于Power Johnson SB分布Cancho et al.（2020）开发了两个全参数分位数回归模型，用于对不同分位数的单位区间响应进行建模。特别地，条件分布由幂约翰逊SB分布建模。采用极大似然法估计模型参数。模拟研究进行评估的极大似然估计在有限样本的性能。此外，我们还讨论了残差和影响诊断工具。我们的建议的有效性以不同国家COVID-19死亡率的两个数据集为例。
2021-03-12 math.ST stat.ME stat.TH
Reduced-Rank Covariance Estimation in Vector Autoregressive Modeling
本文研究了高维向量自回归模型中白噪声协方差阵的降秩建模问题。首先，我们提出了降秩协方差估计的设置下，独立的观察。本文推导了向量观测值基于隐变量模型的降秩估计，并给出了其最大似然估计的解析形式。仿真结果表明，降秩协方差估计优于两个竞争的协方差估计的大规模的协方差阵从独立的观察。然后，我们描述了如何将所提出的降秩估计融入到高维VAR模型的拟合中，在这里我们考虑了两种需要不同模型拟合程序的情况。在VAR建模的背景下，我们的降秩协方差估计不仅提供了VAR过程的依赖结构的可解释的描述，但也导致改进模型拟合和预测不受限制的协方差估计。两个实际数据的例子来说明这些拟合程序。
2014-12-05 stat.AP stat.CO stat.ME
Effective Bayesian Modeling of Large Spatiotemporal Count Data Using Autoregressive Gamma Processes
针对大型时空计数数据，本文提出平稳时空自回归 Gamma 过程，利用 Poisson 变量分解实现全共轭 Gibbs 抽样和线性复杂度，并验证其估计、拟合与预测能力。
2025-07-26 stat.AP stat.CO stat.ME
