Estimation of Multiple Quantiles in Dynamically Varying Data Streams
在本文中，我们考虑的问题，估计分位数时，收到的数据顺序（数据流）。对于现实生活中的数据流，数据的分布通常随时间而变化，使得分位数的估计具有挑战性。我们提出了一种方法，同时保持多个分位数的数据流分布的估计。该方法是基于每次从数据流中接收到新样本时对分位数估计进行增量更新。该方法是存储器和计算效率高的，因为它只为每个分位数估计存储一个值，并且当从数据流接收到新样本时，每个分位数估计只执行一个操作。在每次迭代中分位数的单调性得到满足的意义上，估计是现实的。实验表明，该方法有效地跟踪多个分位数，并优于最先进的方法。
2017-01-31 stat.ME
Quantile Regression with Multiple Proxy Variables
由于多个数据源的可用性，数据集成变得越来越流行。本研究考虑了当关键协变量在多个数据集上具有多个代理时的分位数回归估计。在一个统一的估计过程中，所提出的方法采用了多个代理，有各种关系的未观察到的协变量。所提出的方法允许推断的分位数函数和未观察到的协变量。此外，它不需要分位数函数的线性，同时，容纳线性和非线性代理。模拟研究表明，这种方法成功地集成了多个代理，并揭示了广泛的非线性数据的分位数关系。所提出的方法适用于从韩国统计局提供的家庭财务和生活条件调查中获得的行政数据，以具体说明在存在多种收入记录的情况下资产与工资收入之间的关系。
2022-10-22 stat.ME
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
Noncrossing structured additive multiple-output Bayesian quantile regression models
分位数回归模型是研究单变量响应变量的条件分布的不同点的有力工具。他们的多元对应扩展并不简单，从多元分位数的定义开始。我们在这里提出了一个灵活的贝叶斯分位数回归模型时，响应变量是多元的，在那里我们能够定义一个结构化的加法框架的所有预测变量。我们建立在以前的想法，考虑一个方向的方法来定义一个响应变量的多个输出的分位数，我们定义在每个方向分位数模型的非交叉分位数。我们定义了一个马尔可夫链蒙特卡罗（MCMC）模型估计过程，其中的非交叉属性得到考虑高斯过程设计模型之间的相关性的几个分位数回归模型。我们说明了这些模型的结果，使用两个数据集：一个在人口中的不平等的维度，如收入和健康;第二个在巴西高中国家考试的学生分数，考虑三个维度的响应变量。
2019-10-18 stat.ME
Inference on multiple quantiles in regression models by a rank-score approach
University of Padova（帕多瓦大学）；University of Bologna（博洛尼亚大学）；Ca’ Foscari University of Venice（威尼斯卡福斯卡里大学）
本文提出一种多变量秩-分数检验的扩展方法，嵌入封闭检验程序以有效处理多重检验问题，并通过理论和模拟研究证明该方法能有效控制家庭错误率并提升统计功效。
2026-04-09 stat.ME
Data integration in high dimension with multiple quantiles
本文讨论了来自多个来源（实验）的高维数据的分析，这些数据具有不同的可能相关的响应，但共享相同的预测因子集。预测因子的测量值在实验中可能不同。我们引入了一种新的回归方法，多个分位数选择那些预测影响任何响应在任何分位数水平和估计非零参数。我们的估计是一个惩罚目标函数的最小化，它聚集了来自不同实验的数据。我们建立了估计量的模型选择相合性和渐近正态性。此外，我们提出了一个信息准则，它也可以用于一致的模型选择。模拟和两个数据的应用程序说明了我们的方法的优点，它考虑到跨实验和分位数水平的预测引起的组结构。
2020-06-29 stat.ME
A Bayesian Approach to Multiple-Output Quantile Regression
本文提出了一种多输出分位数回归的贝叶斯方法。证明了无条件模型的相容性，并得到了渐近正确的频率论置信区间。无条件模型的先验可以作为tau-Tukey深度等高线到Tukey中值的距离的事前知识来推导，这是同类模型中的第一个先验。还提出了一个条件回归的建议。该模型被应用到田纳西州项目步骤实现弹性（STAR）的实验，它发现一个联合增加的tau分位数亚群的数学和阅读成绩的学生人数减少每名教师。这个结果与多输出线性回归的结果一致，并且比多输出线性回归的结果强得多。多输出线性回归发现，平均数学和阅读成绩增加了学生人数每名教师的减少。然而，仍然可能存在得分下降的亚群。多输出分位数回归方法确认（检查的亚群）不存在评分下降的分位数亚群。这确实是“不让一个儿童掉队”的声明，而不是“不让一个普通儿童掉队”的声明。'
2019-09-05 stat.ME
Nearly Semiparametric Efficient Estimation of Quantile Regression
分位数回归作为最小二乘回归的一种有竞争力的替代方法，在分析异质数据时得到了广泛的应用。对于单分位数水平$τ$的分位数回归模型，半参数有效估计的主要困难是参数有效值的不可得性和条件密度估计。本文利用最不利子模型技术，分别推导了线性分位数回归模型在$(0,1)$中的单分位数水平、多分位数水平和所有分位数水平下的半参数有效得分.我们的主要发现是对多个分位数水平下的分位数回归模型的回归系数的一步（近似）半参数有效估计，它具有以下优点：它可以被看作是一种在多个/其他分位数上汇集信息以提高效率的最佳方法;由于所研究的分位数回归模型的性质，通过插入初始估计量，条件密度估计是直接的。在正则条件下，证明了所得到的估计达到了相应的半参数有效性下界。包括模拟和一个例子的儿童出生体重的数值研究证实，所提出的估计导致更高的效率相比，Koenker-Bassett分位数回归估计的所有分位数的利益。
2017-05-26 stat.ME
Designing clinical trials for the comparison of single and multiple quantiles with right-censored data
CNRS（法国国家科学研究中心）
本文提出了一种基于分位数比较的临床试验设计方法，通过新的功效公式和重采样方法，用于处理右删截数据下的生存分析。
2026-03-09 stat.ME
Diagnostics for categorical response models based on quantile residuals and distance measures
针对多项分类响应模型诊断中残差维数高且分布未知的问题，本文提出结合随机化分位数残差与欧氏、马氏距离度量的降维诊断方法，并通过模拟和实际数据验证其有效性。
2023-07-06 q-bio.QM stat.ME
Robust Nonparametric Testing for Structural Changes in Multivariate Volatility via Multiple Quantiles
Xiamen University（厦门大学）；Shanghai University of Finance and Economics（上海财经大学）；Boston College（波士顿学院）；Zhejiang University of Finance and Economics（浙江财经大学）
本文提出一种基于多分位数的多元波动率结构变化稳健非参数检验，规避高阶矩条件，聚合多分位数信息，经蒙特卡洛及Fama-French三因子模型验证有效。
2026-08-27 stat.ME
Quantile sheet estimator with shape constraints
分位数表是多个分位数曲线的全局估计量。提出了一种分位数片估计器，以保持不同分位数的非交叉特性。该估计器利用SCOP：形状约束的P样条，以加强非交叉性质直接在建设。局部GCV参数调整算法用于快速估计结果。数据模拟表明，所提出的方法和现有的竞争对手可以恢复潜在的分位数与可比的均方误差。
2023-02-17 stat.ME
Canonical Regression Quantiles with application to CEO compensation and predicting company performance
在使用多元回归方法进行预测时，人们经常将解释变量的线性组合视为一个指标。当这里有多个响应时，寻求单个这样的指数相当复杂。一种经典的方法是使用来自主要典型相关的系数。然而，基于方差的方法无法通过分位数效应分解响应，缺乏鲁棒性，并且依赖于正常假设进行推断。我们在这里开发了一种替代回归分位数方法，并将其应用于大型上市公司的业绩和CEO薪酬的实证研究。初步结果非常有希望。
2020-11-17 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
Multiply robust matching estimators of average and quantile treatment effects
倾向得分匹配是处理因果推断中混杂的长期传统，然而需要严格的模型假设。在这篇文章中，我们提出了双评分匹配（DSM）的一般因果被估量利用两个平衡得分，包括倾向得分和预后得分。为了保护可能的模型误指定，我们为每个得分选择多个候选模型。我们表明，去偏DSM估计实现了多重稳健性，因为它是一致的真正的因果估计，如果任何模型的倾向得分或预后分数是正确的。
2020-07-05 stat.ME
Graphical tests of independence for general distributions
我们提出了两个无模型的，基于排列的测试之间的独立性一对随机变量。该测试可以应用于任何二元分布的样本：连续的，离散的或混合的，轻尾或重尾，\ldots该测试利用了最近发展的全局包络测试的背景下，空间统计学。除了广泛的适用性的测试，其主要的好处是在图形解释的测试结果：在拒绝独立性的原假设的情况下，在两个边缘的分位数的组合表示，从独立性的偏差是显着的。这些信息可用于更深入地了解观测数据的属性，并作为提出更复杂模型和假设的指导。我们在模拟研究中评估了所提出的测试的性能，并将其与几个成熟的独立性测试进行了比较。此外，我们说明了使用的测试和解释的测试结果在两个真实的数据集组成的气象报告（日平均温度和总日降水量，原子成分在0毫米）和道路事故报告（道路和天气条件的类型，两个变量具有分类分布）。
2020-08-14 stat.ME
Bayesian Non-parametric Quantile Process Regression and Estimation of Marginal Quantile Effects
多个条件分位数的灵活估计在许多应用中是令人感兴趣的，例如研究妊娠相关因素对低出生体重和高出生体重的影响。我们提出了一个贝叶斯非参数方法，同时估计非交叉，非线性分位数曲线。我们扩展了响应的条件分布函数在I-样条基函数的协变量依赖系数建模使用神经网络。通过利用样条函数和神经网络的逼近能力，我们的模型可以逼近任何连续的分位数函数。与现有的模型相比，我们的模型估计所有的分位数，而不是一个有限的子集，规模以及高维，估计的不确定性。虽然该模型是任意灵活的，可解释的边际分位数效应估计使用累积局部效应图和变量的重要性措施。仿真研究表明，当数据稀疏时，我们的模型可以更好地恢复响应分布的分位数，并对出生体重数据进行了分析。
2021-08-29 stat.ME
On Bayesian quantile regression curve fitting via auxiliary variables
分位数回归近年来在统计学界受到越来越多的关注。本文将均值回归模型贝叶斯变量选择中常用的辅助变量法应用于分位数回归曲线的拟合。我们专注于回归样条的拟合，未知的数量和位置的节点。我们提供了一个有效的算法与大都会黑斯廷斯更新，其调整是完全自动化的。模拟和真实的例子和它的扩展添加剂模型的方法进行了测试。最后，我们提出了一个简单的后处理过程来处理多个单独估计的分位数曲线的交叉问题。
2012-02-27 stat.ME
Auxiliary Quantile Forecasting with Linear Networks
University of Hildesheim（希尔德斯海姆大学）
我们提出了一种新的多任务方法，用于共享线性层的分位数预测。我们的方法是基于隐式分位数学习方法，其中来自均匀分布$\mathcal{U}(0, 1)$的样本被重新参数化为目标分布的分位数值。我们结合隐式分位数和输入时间序列表示，直接预测多个分位数估计多个视野联合。先前的工作已经采用了线性层，用于在多任务学习设置中直接估计所有预测范围。我们表明，根据多任务学习的类似直觉，利用预测范围之间的相关性，我们可以为每个预测范围建模多个分位数估计作为辅助任务，以提高分位数估计的预测准确性，而不是仅建模单个分位数估计。我们发现学习辅助分位数任务导致确定性预测基准的最先进的性能，关于预测50 $^{th}$百分位估计的主要任务。
2022-12-05 cs.LG stat.ME
Early and Late Buzzards: Comparing Different Approaches for Quantile-based Multiple Testing in Heavy-Tailed Wildlife Research Data
针对重尾野生动物数据，比较基于中位数和IQR的多重检验方法，提出结合自助法的多重对比程序，并应用于鸟类繁殖性状分析。
2025-04-28 stat.ME
Quantile Super Learning for independent and online settings with application to solar power forecasting
本文提出Quantile Super Learning集成方法，通过交叉验证分位数损失组合多个候选算法进行条件分位数估计，并提供独立同分布与在线场景的理论保证，最终在钙钛矿材料性质预测和太阳辐照度在线预报中验证其有效性。
2023-10-30 stat.ME
Quantile Predictions for Equity Premium using Penalized Quantile Regression with Consistent Variable Selection across Multiple Quantiles
本文提出一种跨分位数一致变量选择的惩罚分位数回归方法，用于股票溢价预测，解决均值回归在异方差和重尾下的问题，并通过模拟和实证验证其优于基准方法，且发现预测变量关系随分位数反转。
2025-05-21 q-fin.ST stat.AP stat.ME
The log-shift penalty for adaptive estimation of multiple Gaussian graphical models
稀疏高斯图模型刻画了网络中随机变量之间的稀疏依赖关系。为了在同一组变量上估计多个相关的高斯图模型，我们制定了一个分层模型，这导致了一个非凸对数移位罚函数的优化问题。我们表明，在温和的条件下，优化问题是凸的，尽管包括一个非凸的罚款，并得出一个有效的优化算法。仿真和实际数据上的实验表明，该方法能够同时实现良好的选择和估计性能，因为对数移位惩罚的非凸性允许弱信号阈值为零，而不会过度收缩的强信号。
2014-06-06 stat.ME
Nonparametric Multiple-Output Center-Outward Quantile Regression
基于Chernozhukov等人（2017）和Hallin等人（2021）最近引入的多元中心向外分位数的新概念，我们正在考虑非参数多输出分位数回归问题。我们的方法定义了嵌套的条件中心向外分位数回归轮廓和区域与给定的条件概率的内容，无论潜在的分布，他们的图形构成嵌套的中心向外分位数回归管。这些概念的经验对应物被构建，产生可解释的经验区域和轮廓，这些区域和轮廓被证明能够一致地重建它们在庞培-豪斯多夫拓扑中的人口版本。我们的方法是完全非参数的，在包括异方差和非线性趋势的模拟中表现良好;它作为数据分析工具的能力在一些真实数据集上得到了说明。
2022-04-26 math.ST stat.ME stat.TH
The joint graphical lasso for inverse covariance estimation across multiple classes
我们考虑的问题，估计多个相关的，但不同的图形模型的基础上的高维数据集的观察，属于不同的类。一个鼓舞人心的例子发生在有和没有癌症的组织样本的基因表达数据分析中。在这种情况下，我们可能希望估计正常组织的基因表达网络和肿瘤组织的基因表达网络。我们希望这两个基因表达网络是相似的，但彼此不相同，因此使用联合方法可能会更准确地估计这两个网络。为此，我们提出了联合图形套索。我们不是为每个类单独估计一个图模型，也不是在所有类中估计一个图模型，而是在类之间借用强度，以估计共享某些特征的多个图模型，例如非零边的位置或权重。我们的方法是基于最大化惩罚对数似然。我们采用融合套索或组套索处罚，并实现了一个非常快速的计算方法，解决了联合图形套索问题。在模拟研究中，我们证明了我们提出的方法导致更准确的估计网络和协方差结构比竞争的方法。我们进一步说明了我们的建议，公开的肺癌基因表达数据集。
2012-07-11 stat.ME
A Bayesian Approach to Joint Estimation of Multiple Graphical Models
高维数据中多个图模型的联合估计问题已经在统计学和机器学习文献中进行了研究，因为它在包括分子生物学、神经科学和社会科学在内的各个领域都很重要。这项工作开发了一种贝叶斯方法，该方法将多个图形模型中的模型参数分解为模型和边缘子集之间的共享组件以及特殊组件。此外，它利用了一种新的多变量先验分布，再加上一个伪似然，使快速计算，通过一个强大的和有效的吉布斯抽样计划。我们建立了强后验一致性的模型选择，以及估计模型参数的高维尺度下的变量的数量与样本量呈指数增长。所提出的方法的有效性说明合成和真实数据。关键词：伪似然，吉布斯抽样，后验一致性，组学数据
2019-07-02 stat.ME
Inferring Multiple Graphical Structures
高斯图形模型为表示变量之间的依赖关系提供了一个方便的框架。最近，这个工具已经收到了很高的兴趣，发现生物网络。文献侧重于从一组测量结果推断单个网络的情况，但是，由于湿实验室数据通常很少，因此通常将实验条件影响相互作用的几种测定合并以推断单个网络。在本文中，我们提出了两种方法来估计多个相关图，通过渲染的贴近度假设到一个经验先验或组惩罚。我们提供了定量的结果证明所提出的方法的好处。本文中提出的方法嵌入在1.0-0版及更高版本的R包'simone'中。
2010-05-12 stat.ME
Invariant quantile regression for heterogeneous environments
School of Mathematics and Statistics, Xi'an Jiaotong University（西安交通大学数学与统计学院）
针对多环境数据集提出不变分位数回归框架，通过核平滑估计器利用环境间不变性实现因果发现和内生性克服。
2026-06-23 stat.ME
Testing Quantile Forecast Optimality
本文提出基于矩等式框架的多期限分位数回归检验，评估分位数预测的自校准最优性，并扩展至更大信息集，模拟与实证揭示次优性成因。
2023-10-12 econ.EM stat.ME
A random covariance model for bi-level graphical modeling with application to resting-state fMRI data
本文考虑了一个新的问题，双层次的图形建模，其中多个个人的图形模型可以被认为是一个共同的组级图形模型的变体和推理的组和个人级图形模型的兴趣。这种问题出现在许多应用中，包括多学科神经成像和基因组数据分析。我们提出了一种新的和有效的统计方法，随机协方差模型，学习组和个人层次的图形模型同时进行。所提出的方法可以很好地解释为一个随机协方差模型，模仿随机效应模型的平均结构在线性回归。它考虑了个体图形模型之间的相似性，识别了组中个体共享的组级连接，同时推断出多个个体级网络。与现有的只关注个体级网络的多个图形建模方法相比，我们的模型学习了多个个体网络的组级结构，并且具有特别有吸引力的计算效率。我们进一步定义了一个衡量自由度的复杂性的模型，可用于模型选择。我们证明了该方法的渐近性质，并通过仿真研究显示其有限样本性能。最后，我们将所提出的方法应用于我们的激励临床数据，一个多主题的静息状态功能磁共振成像（fMRI）数据集收集的精神分裂症患者。
2019-09-30 stat.ME
Joint estimation of conditional quantiles in multivariate linear regression models. An application to financial distress
本文提出了一种最大似然方法来联合估计线性回归框架中多元响应变量的边缘条件分位数。我们考虑了Kotz等人（2001）提出的多元非对称Laplace分布的一个轻微的重新参数化，并利用其位置-尺度混合表示来实现一个新的估计模型参数的期望最大化算法。其思想是将非对称拉普拉斯分布和众所周知的单变量分位数回归模型之间的联系扩展到多变量环境，即当涉及多变量因变量时。该方法考虑了多个响应之间的关联，并研究响应和解释变量之间的关系如何在响应的边际条件分布的不同分位数之间变化。一个惩罚版本的期望最大化算法也提出了解决问题的变量选择。我们的方法的有效性进行了分析，在模拟研究中，我们还提供证据的效率增益所提出的方法相比，通过单独的单变量分位数回归估计。一个真正的数据应用程序，最后提出了研究的主要决定因素，在一个样本的意大利企业的财务困境。
2018-08-03 stat.ME
Variable Selection in Functional Linear Quantile Regression for Identifying Associations between Daily Patterns of Physical Activity and Cognitive Function
University of South Carolina（南卡罗来纳大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文提出了一种灵活的变量选择方法，用于功能线性分位数回归，结合平滑近似分位数损失函数和FPCA与组最小化凹惩罚，以识别身体活动与认知功能之间的动态关联。
2026-03-23 stat.ME
The Bayesian Regularized Quantile Varying Coefficient Model
本文提出贝叶斯正则化分位数变系数模型，结合多元spike-and-slab先验和Gibbs采样实现稀疏变系数选择与稳健估计，模拟和NHS基因-环境交互研究验证了其在选择与估计精度上的优势。
2023-07-09 stat.ME
On Estimation of Conditional Modes Using Multiple Quantile Regressions
当条件变量为高维时，我们提出了一种条件模式的估计方法。在所提出的方法中，我们首先通过多次求解分位数回归来估计条件密度。然后，我们通过找到估计的条件密度的最大值来估计条件模式。所提出的方法有两个优点，它是计算稳定的，因为它没有初始参数的依赖性，它是统计有效的，具有快速的收敛速度。合成和真实世界的数据实验表明，所提出的方法相比，其他现有的更好的性能。
2017-12-23 math.ST stat.ME stat.ML
Generative Quantile Regression with Variability Penalty
本文提出带变异性惩罚的生成式分位数回归（PGQR），通过一次优化同时估计多个分位数，利用部分单调神经网络避免曲线交叉，并在模拟和真实数据上验证了有效性。
2023-11-13 stat.ME
Penalized regression with multiple loss functions and selection by vote
本文考虑高维数据场景中的线性模型。我们提出了一个过程，使用多个损失函数来选择相关的预测和参数估计，并研究其渐近性质。变量选择是通过一个名为“投票”的过程进行的，该过程汇总了惩罚损失函数的结果。使用多个目标函数分别简化算法，并允许并行计算，这是方便和快速的。作为一个特殊的例子，我们考虑一个分位数回归模型，它最佳地结合了多个分位数水平。我们证明了所得到的参数向量的估计是渐近有效的。仿真和数据应用证实了我们的方法的三个主要优点：（a）降低变量选择的错误发现率;（b）提高参数估计的质量;（c）提高计算效率。
2020-06-29 stat.ME
Estimation of conditional inequality curves and measures via estimating the conditional quantile function
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；Institute of Mathematics Polish Academy of Sciences（波兰科学院数学研究所）
本文扩展经典不平等测度至条件情形，提出基于保序回归的无交叉条件分位数估计法，证明一致性并模拟验证，应用于年龄组薪资不平等分析。
2026-10-05 math.ST stat.AP stat.ME
Joint Quantile Shrinkage: A State-Space Approach toward Non-Crossing Bayesian Quantile Models
针对分位数回归模型中拟合条件分位数交叉的普遍问题，提出一种贝叶斯建模框架，通过带分位数适应性的融合收缩先验联合估计多个分位数，形成分位数变参数模型，在参数恢复和预测性能上更优。
2025-08-20 econ.EM math.ST stat.ME
Bayesian inference for multiple Gaussian graphical models with application to metabolic association networks
我们调查镉（一种有毒的环境污染物）的相关结构上的一些尿代谢产物使用高斯图形模型（GGM）的影响。推断的代谢关联可以提供关于代谢系统的生理状态的重要信息和关于复杂代谢关系的见解。使用拟合的GGM，我们构建了差分网络，该网络突出了在不同实验条件下代谢物相互作用的显著变化。对这种代谢关联网络的分析可以揭示镉暴露引起的潜在生物反应的差异。我们考虑贝叶斯推断，并建议使用乘法（或Chung-Lu随机图）模型作为先验的图形空间。在乘法模型中，每条边都是独立选择的，其概率等于端节点的连通性的乘积。这类先验知识很节俭，但高度灵活;当有此类先验知识时，它可用于鼓励稀疏性或具有预先指定度分布的图形。我们将乘法模型扩展到多个GGM，通过逻辑斯谛回归将边缘包含的概率联系起来，并演示了这如何导致多个GGM的联合推理。提出了一种估计图的后验分布的序贯蒙特卡罗（SMC）算法。
2017-04-13 stat.ME
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
Vector Quantile Regression: An Optimal Transport Approach
提出了条件向量分位数函数的概念和向量分位数回归。随机向量$Y$的\emph{conditional vector quantile function}（CVQF），取$\mathbb{R}^d$中的值，给定协变量$Z=z$，取$\mathbb{R}% ^k$中的值，是映射$u \longmapsto Q_{Y\mid Z}(u,z)$，其在作为凸函数的梯度的意义上是单调的，并且使得给定向量$U$遵循参考非原子分布$F_U$，例如在$\mathbb{R}^d$中的单位立方体上的均匀分布，随机向量$Q_{Y\mid Z}(U,z)$具有以$Z=z$为条件的$Y$的分布。此外，我们有一个强有力的代表性，$Y = Q_{Y\mid Z}(U,Z)$几乎肯定，一些版本的$U$。\emph{vector quantile regression}（VQR）是给定$Z$的$Y$的CVQF的线性模型。在正确的规范下，该概念产生强表示，$Y=β\left(U\right) ^\top f(Z)$，$f(Z)$表示一组已知的$Z$的变换，其中$u \longmapsto β(u)^\top f(Z)$是单调映射，凸函数的梯度，和分位数回归系数$u \longmapsto β(u)$具有类似于标准标量分位数回归的解释。随着$f(Z)$成为$Z$的更丰富的转换类，模型变得非参数化，如在系列建模中。VQR的一…
2015-09-27 stat.ME
A new graphical tool of outliers detection in regression models based on recursive estimation
在本文中，我们提出了一种新的工具，异常值检测的背景下，多元回归模型。该图形工具基于参数的递归估计。进行了模拟，以说明这种图形程序的性能。作为结论，该工具适用于实际数据包含离群值根据经典的可用工具。
2007-07-02 stat.ME
Graphical Test for Discrete Uniformity and its Applications in Goodness of Fit Evaluation and Multiple Sample Comparison
评估给定分布的拟合优度在计算统计中起着重要作用。概率积分变换（PIT）可用于将给定样本是否源自参考分布的问题转换为均匀性检验问题。我们提出了新的模拟和优化为基础的方法，以获得同时置信带的整个经验累积分布函数（ECDF）的PIT值的均匀性的假设下。同时置信带对应于共同满足期望覆盖的每个点处的这种置信区间。这些方法也可以应用于参考分布仅由有限样本表示的情况。置信带为均匀性提供了直观的基于ECDF的图形测试，这也提供了关于差异质量的有用信息。我们进一步扩展的模拟和优化方法，以确定同时的置信带，用于测试多个样本是否来自相同的底层分布。这种多样本比较检验在马尔可夫链蒙特卡罗收敛性诊断中特别有用。我们提供了数值实验来评估使用模拟和真实世界数据的测试属性，并就其在计算统计工作流中的实际应用提出建议。
2021-11-17 stat.ME
Sparse Wavelet Estimation in Quantile Regression with Multiple Functional Predictors
本文研究了部分函数线性模型中的分位数回归问题，其中响应是标量，预测变量既包括标量又包括多个函数。采用小波基更好地逼近函数斜率，同时有效地检测局部特征。稀疏组套索惩罚施加到选择重要的功能预测，同时捕获共享的信息之间。估计问题可以转化为一个标准的二阶锥规划，然后用内点方法求解。我们还提出了一种新的算法，利用交替方向法的乘数（ADMM），这是最近许多研究人员在解决惩罚分位数回归问题。建立了算法的收敛速度和预测误差界等渐近性质。仿真和一个实际的数据从ADHD-200 fMRI数据进行调查，以显示我们提出的方法的优越性。
2017-12-02 math.ST stat.AP stat.CO
Multiple factor analysis of distributional data
在符号数据分析（SDA）的框架中，分布变量是多值变量的一种特殊情况：每个单元由一组分布（例如直方图，密度函数或分位数函数）表示，每个变量一个。因子分析方法是进行降维和可视化的主要探索工具。在目前的工作中，我们使用多因素分析（MFA）的方法来分析数据描述的分布变量。每个分布变量都导出一组与每个分布的分位数相关的新数值变量。我们称这些新的变量为\textit{quantile variables}和一组分位数变量相关的分布是一个块中的MFA方法。因此，MFA是在分位数变量的并列表上执行的。\\我们表明，在分析中分解的标准是一个近似的变异性的基础上一个合适的度量分布之间：平方$L_2$瓦瑟斯坦距离。模拟和实际分布数据的应用证实了该方法的有效性。阶乘平面上的结果的解释是通过与分布的几个特征（位置、尺度和形状）相关的新的解释工具来执行的。
2018-04-19 stat.ME stat.OT
Empirical likelihood ratio test on quantiles under a density ratio model
总体分位数是许多应用中的重要参数。在过去的十年里，人们对分位数及其函数的有效统计推断程序的开发热情很高。在这篇文章中，我们研究的推断方法时，多个样本的连锁总体的分位数。我们考虑的研究问题有广泛的应用。例如，为了研究一个国家经济状况的演变，经济学家根据每年收集的多个调查数据集监测家庭年收入分位数的变化。即使有多个样本，常规方法也会分别估计不同总体的分位数。这种方法忽略了这样一个事实，即这些人口是相互联系的，并共享一些内在的潜在结构。最近，许多研究人员主张使用密度比模型（DRM）来解释这种潜在的结构，并开发了更有效的程序的基础上汇集的数据。随后采用非参数经验似然（EL）。有趣的是，在这方面没有讨论基于EL的似然比检验（ELRT）的人口分位数。我们探讨使用ELRT的假设分位数和置信区域下的DRM。我们发现，ELRT统计量有一个卡方极限分布下的原假设。仿真实验表明，该χ 2分布能很好地逼近有限样本分布，并能得到精确的检验和置信区域。DRM有助于提高统计效率。最后给出了一个实际数据的例子来说明该方法的有效性。
2021-11-11 math.ST stat.ME stat.TH
Comparing distributions by multiple testing across quantiles or CDF values
当比较两个分布时，了解哪些分位数或值存在统计学显著差异通常是有帮助的。这提供了比全局拟合优度测试的二元“拒绝”或“不拒绝”决策更多的信息。框架我们的问题作为多重测试在连续的分位数$τ\in(0,1)$或值$r\in\mathbb{R}$，我们表明，Kolmogorov-Smirnov测试（解释为多重测试程序）实现了家庭的差错率的强有力的控制。然而，其众所周知的尾巴灵敏度低的缺陷仍然存在。我们提供了一种替代方法，该方法保留了对家族差错率的强控制，同时还具有均匀的灵敏度，即，分布中每个$n\to\infty$顺序统计量的逐点I类差错率相等。我们的单样本方法使用我们的新公式即时计算，该公式还即时计算拟合优度$p$值和统一置信带。为了提高功率，我们还提出了降压和预测试程序，保持控制的渐近familywise差错率。单样本和两个样本的情况下，以及回归不连续设计和条件分布的扩展。模拟，经验的例子，和代码提供。
2017-08-15 econ.EM math.ST stat.ME
Online Quantile Omniprediction for Proper Losses
University of California, Berkeley（加州大学伯克利分校）；University of Toronto（多伦多大学）；ICSI（国际科学计算研究所）；LBNL（劳伦斯伯克利国家实验室）
本文针对现有全预测方法在多分类、连续任务中误差率缓慢的问题，提出在线分位数预测算法，可在动态环境中同时适配多种恰当损失，还可集成COVID-19住院人数的分位数预测。
2026-10-16 cs.LG stat.ME
Bayesian Mixed-Frequency Quantile Vector Autoregression: Eliciting tail risks of Monthly US GDP
及时描述经济和金融体系中的风险在经济政策和私营部门的决策中发挥着至关重要的作用。然而，低频变量的信息含量和条件均值模型的结果只提供了有限的证据来研究这个问题。我们提出了一种新的混合频率分位数向量自回归（MF-QVAR）模型来解决这个问题。受单变量贝叶斯分位数回归文献的启发，在贝叶斯框架下利用多变量非对称拉普拉斯分布来形成似然。一个数据增强的方法，加上一个精确的采样器有效地估计丢失的低频变量在较高的频率下的状态空间表示。所提出的方法使我们能够预测多个感兴趣的变量的条件分位数，并获得高频率的分位数相关的风险措施，从而使及时的政策干预。该模型的主要应用是预测美国GDP的条件分位数，这与风险价值和预期短缺的量化密切相关。
2022-09-05 econ.EM stat.ME
Multiple Changepoint Estimation in High-Dimensional Gaussian Graphical Models
我们考虑了多元时间序列中同时识别变点和图形依赖结构的正则化估计的一致性。传统上，高斯图形模型（GGM）的估计是在i.i.d设置中执行的。最近，这种模型已经扩展到允许分布的变化，但只有在变点是已知的先验。在这项工作中，我们研究了组融合图形套索（GFGL），它用L1惩罚惩罚部分相关性，同时诱导块平滑随着时间的推移来检测多个变化点。我们提出了一个证明的一致性的估计，无论是在变点，在每个部分的图形模型的结构。
2017-12-15 math.ST stat.ME stat.TH
An Embedded Model Estimator for Non-Stationary Random Functions using Multiple Secondary Variables
提出了一种利用多个辅助变量进行非平稳空间建模的算法。将地统计学与分位数随机森林相结合，给出了一种新的插值和随机模拟算法。本文介绍了该方法，并表明它具有一致性的结果，在性质上类似于那些适用于地质统计建模和分位数随机森林。该方法允许嵌入更简单的插值技术，如克里格，以进一步调节模型。该算法通过估计每个目标位置处的目标变量的条件分布来工作。这类分布族称为目标变量的包络。由此，有可能获得空间估计、分位数和不确定性。还开发了一种从包络产生条件模拟的算法。由于它们是从包络线中取样，因此实现情况受到次要变量、趋势和可变性重要性相对变化的局部影响。
2022-01-11 stat.ME stat.ML
Scalable Multiple Network Inference with the Joint Graphical Horseshoe
针对图形马蹄先验在高维多网络推断中计算效率低的问题，提出可扩展ECM算法与联合图形马蹄估计器，实现跨网络信息借用并提升估计精度与可扩展性。
2023-04-17 stat.AP stat.ME
A Quantile Shift Approach To Main Effects And Interactions In A 2-By-2 Design
本文将分位数偏移函数扩展到2×2被试间设计，提出基于Harrell–Davis估计量与百分位置信bootstrap的两种主效应和交互作用分析方法，并通过模拟评估其假阳性与真阳性率。
2023-12-08 stat.AP stat.ME
Inference of multiple high-dimensional networks with the Graphical Horseshoe prior
我们开发了一种新的全贝叶斯方法多个相关的精度矩阵，称为多个图形马蹄铁（mGHS）。所提出的方法依赖于一种新的多变量收缩先验的基础上马蹄事先借用的强度和共享稀疏模式的群体，提高后边缘选择时，精度矩阵是相似的。另一方面，当组是独立的时，没有性能损失。此外，mGHS提供了一个相似性矩阵估计，有助于理解跨组的网络相似性。我们实现了一个有效的Metropolis-within-Gibbs后验推理，具体而言，局部方差参数更新通过一种新的和有效的修改拒绝抽样算法，从三参数Γ分布的样本。该方法的规模以及相对于变量的数量，并提供了一个最快的全贝叶斯方法估计多个精度矩阵。最后，边缘选择是一种新的方法，基于模型切割。我们的经验表明，mGHS优于竞争的方法，通过模拟研究和应用程序的自行车共享数据集。
2023-02-13 stat.CO stat.ME
