A New Family of Error Distributions for Bayesian Quantile Regression
我们为基于模型的分位数回归提出了一系列新的误差分布，该分布是通过正态分布的结构化混合构造的。该构造使得能够固定分布的特定顶点，同时允许变化的模式、偏度和尾部行为。因此，它克服了非对称拉普拉斯分布的严重限制-参数分位数回归最常用的误差模型-其中，当特定百分位数固定时，误差密度的偏度完全指定。我们提出了一个贝叶斯公式的建议分位数回归模型，包括条件套索正则化的分位数回归的基础上的分层拉普拉斯先验的回归系数，和Tobit分位数回归模型。后验推理通过马尔可夫链蒙特卡罗方法实现。通过模型的相关性质研究了新模型相对于非对称Laplace分布的灵活性，并通过模拟实验比较了正则化分位数回归中两种误差分布。此外，线性分位数回归，正则化分位数回归和Tobit分位数回归的模型性能与数据的例子，以前已经考虑在文献中说明。
2017-02-09 stat.ME
Wild Residual Bootstrap Inference for Penalized Quantile Regression with Heteroscedastic Errors
本文考虑一类异方差回归模型，其中某些回归系数为零，但不知道哪些为零。惩罚分位数回归是分析这类数据的一种有效方法。通过允许不同的协变量与不同分位数水平的条件分位数函数建模相关，它提供了比均值回归更完整的响应变量条件分布的图像。现有的惩罚分位数回归的工作主要集中在点估计。虽然Bootstrap方法最近被证明是有效的惩罚平均回归的推断，他们不直接适用于惩罚分位数回归与异方差误差。我们证明了未惩罚分位数回归的一个野生残差自举过程对于逼近具有自适应$L_1$惩罚的分位数回归估计的分布是渐近有效的，并且一个修改的版本可以用来逼近$L_1$惩罚的分位数回归估计的分布.新方法不需要估计未知的误差密度函数。我们建立一致性，证明有限样本的性能，并说明了一个真实的数据例子的应用程序。
2018-07-20 stat.ME
Model-aware Quantile Regression for Discrete Data
分位数回归将响应的分位数与线性预测因子相关联。对于离散响应分布，如泊松分布、二项分布和负二项分布，这种方法不可行，因为分位数函数不是双射的。我们认为，使用连续的模型感知插值的分位数函数，允许适当的分位数推断，同时保留模型解释。这种方法允许适当的不确定性量化，并减轻分位数交叉的问题。我们对Congdon（2017）中考虑的住院数据的重新分析显示了我们的建议的优势，以及在疾病映射的背景下引入一种新的方法来利用分位数回归。
2019-03-18 stat.ME
On function-on-function linear quantile regression
提出两种函数偏分位数回归算法，通过基展开和投影将无限维函数-on-函数线性分位数回归模型转化为多变量分位数回归模型，在有限样本下表现优于现有方法。
2025-10-12 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
Quantile regression with measurement errors
Pennsylvania State University（宾夕法尼亚州立大学）；University of Manitoba（曼尼托巴大学）
针对协变量含正态测量误差的一般分位数回归模型，提出一种新估计方法，适用于线性和非线性模型，通过核平滑和复域矩生成函数克服不连续性和非线性，实现根号n一致性和渐近正态性。
2026-06-30 stat.ME
Bayesian Endogenous Tobit Quantile Regression
本研究提出$p$ -th Tobit分位数回归模型，并加入内生变数.在内生变量对外生变量的第一阶段回归中，引入了误差项的第$α$分位数为零的假设。然后，将该回归模型的残差包含在第$p$分位数回归模型中，以使新误差项的第$p$条件分位数为零。第一阶段回归的误差分布模型周围的零$α$ -th分位数的假设，通过使用参数和半参数的方法。由于$α$的值是先验未知的，因此将其视为附加参数，并根据数据进行估计。然后，通过使用模拟数据和实际数据的已婚妇女的劳动力供应的建议模型进行了演示。
2015-12-05 stat.ME
D-vine quantile regression with discrete variables
分位数回归是对条件分位数的预测，在各个领域都有应用。通常，一些或所有变量都是离散的。作者提出了两种新的分位数回归方法来处理这种混合离散-连续数据。这两种方法都推广了连续D-vine分位数回归，其中响应和协变量之间的依赖关系由参数D-vine建模。D-vine分位数回归提供了非常灵活的模型，可以实现准确和快速的预测。此外，它自动处理经典分位数回归的主要问题，如分位数交叉和协变量之间的相互作用。第一种方法保持了D-葡萄树的参数估计，但修改了公式以考虑离散性。第二种方法使用连续卷积来估计D-vine，以使离散变量连续，然后非参数地估计D-vine。一个模拟研究，检查的情况下，离散连续的D-藤分位数回归可以提供更好的预测能力。最后，两个介绍的方法的功能证明了一个现实世界的例子预测的自行车租赁数量。
2017-05-23 stat.ME
Nonparametric Depth and Quantile Regression for Functional Data
当响应和协变量都是函数时，我们研究了基于空间深度和分位数的非参数回归方法。与有限维数据的经典分位数回归一样，本文开发的回归技术提供了对功能协变量对功能响应的条件分布的不同部分（如中心和尾部）的影响的深入了解。基于深度和分位数的非参数回归对于检测函数回归中的异方差性是有用的。我们推导出非参数深度和分位数回归估计的渐近行为，它依赖于协变量空间中的小球概率。我们的非参数回归程序被用来分析一个数据集的人均国内生产总值对储蓄率的影响，为125个国家，和另一个数据集的影响，人均净可支配收入对卷烟销售在美国的一些州。
2018-02-07 stat.ME
Quantile Regression for General Spatial Panel Data Models with Fixed Effects
本文考虑了一般空间面板数据的既有个体固定效应又有时间段效应的分位数回归模型。将提出工具变量分位数回归估计量。渐近性质的建议估计将开发。仿真实验研究了该方法的性能。我们将使用香烟需求数据集来说明我们的方法。
2016-08-05 stat.ME
Quantile regression for compositional covariates
分位数回归是探索响应变量与其协变量之间关系的一种非常重要的工具。受Lin et al.（2014）提出的成分协变量的LASSO均值回归的启发，我们考虑了无惩罚和惩罚函数的分位数回归。我们开发了基于线性规划的计算算法。数值研究表明，我们的方法提供了更好的替代比平均回归在许多设置下，特别是对于重尾或偏态分布的误差项。最后，我们研究了脂肪数据使用所提出的方法。
2020-06-01 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
Model-Robust Designs for Quantile Regression
当研究的目的是条件分位数函数的估计，估计方法是分位数回归时，本文给出了线性模型设计的构造方法。该设计对错误指定的响应函数和意外异方差具有鲁棒性。举例说明的方法，并在一个案例研究中，他们被应用到增长图。
2014-09-16 stat.ME
Generalized random forest for extreme quantile regression
本文提出一种结合极值理论与广义随机森林的极端分位数回归方法，用协变量相关参数近似块最大值条件分布，并在模拟和气象数据上验证其有效性。
2025-08-20 stat.ME
Globally adaptive quantile regression with ultra-high dimensional data
分位数回归已成为分析实践中经常遇到的异质性协变量-反应关联的有价值的工具。高维协变量的分位数回归方法的发展主要集中在单个或多个分位数水平上的模型稀疏性检查，这通常是由用户预先指定的。由此产生的模型可能对分位数水平的具体选择敏感，导致难以解释和对结果的信心受损。在这篇文章中，我们提出了一个新的惩罚框架分位数回归在高维设置。我们采用自适应L1处罚，更重要的是，提出了一个统一的选择器的调整参数的一组分位数水平，以避免一些潜在的问题，在个别分位数水平的模型选择。我们提出的方法实现了一致收缩的回归分位数估计在连续范围内的分位数水平，提高了现有的惩罚分位数回归方法的灵活性和鲁棒性。我们的理论结果包括一致收敛的预言速度和参数估计的弱收敛。我们也使用数值研究来证实我们的理论发现，并说明我们的建议的实际效用
2015-07-03 stat.ME
An efficient algorithm for structured sparse quantile regression
分位数回归结合促进结构化（或组）稀疏性的惩罚进行研究。在参数向量上使用混合$\ell_{1,\infty}$ -范数对传统的分位数回归问题施加结构稀疏性。一个算法推导出计算相应的最小化问题的分段线性解路径。最后给出了算法的Matlab实现，并对算法的应用进行了研究。
2013-02-25 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
Bayesian Non-parametric Simultaneous Quantile Regression for Complete and Grid Data
本文考虑了多个连续预测变量取值在单位区间内的非参数分位数回归的贝叶斯方法。在第一种方法中，假设分位数函数在解释变量上是光滑的，并在B样条基函数的张量积中展开。在第二种方法中，假设分布函数在解释变量上是光滑的，并将其展开为B样条基函数的张量积。与其他现有的非参数分位数回归方法不同，所提出的方法估计整个分位数函数，而不是估计的分位数网格。先验的B样条系数放在这样一种方式，估计的分位数水平的单调性保持不同于本地多项式分位数回归方法。所提出的方法也被修改为分位数网格数据，其中只有百分位数范围的每个响应观测是已知的。模拟研究提供了完整的和分位数的网格数据。该方法已被用来估计美国家庭收入数据和北大西洋飓风强度数据的分位数。
2016-12-01 stat.ME
A Sandwich Likelihood Correction for Bayesian Quantile Regression based on the Misspecified Asymmetric Laplace Density
提出了一种三明治似然校正方法，以弥补贝叶斯分位数回归方法的推理局限性的基础上错误指定的非对称拉普拉斯密度，利用该方法的好处。支持的理论结果和模拟。
2015-06-10 stat.ME
Quantile Regression for Location-Scale Time Series Models with Conditional Heteroscedasticity
本文研究了一类广泛的时间序列模型的分位数回归问题，其中包括具有非对称GARCH误差的ARMA模型。经典的均值-方差模型被重新解释为条件的位置-尺度模型，使分位数回归方法可以自然地适应所考虑的模型。在较弱的条件下，证明了位置-尺度时间序列模型中分位数回归估计的相合性和渐近正态性。在将这一结果应用于ARMA-AGG模型时，得到了更为原始的条件，从而得到了渐近性质。为了说明，提供了模拟研究和实际数据分析。
2015-02-28 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
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
Bayesian density regression for count data
尽管连续响应的分位数回归模型越来越受欢迎，但计数数据的模型迄今为止很少受到关注。用于计数数据的主要分位数回归技术涉及添加均匀随机噪声或“抖动”，从而克服条件分位数函数不是感兴趣的参数的连续函数的问题。虽然抖动允许估计条件分位数，但其缺点是，对于响应变量$Y,$的小值，添加的噪声可能对估计的分位数具有较大的影响。此外，分位数回归可导致“交叉”分位数。提出了一种基于贝叶斯Dirichlet过程（DP）的计数数据分位数回归方法.该方法基于COM-Poisson回归模型的自适应DP混合（DPM），并通过估计数据密度来确定分位数，从而消除了所有上述问题。利用交换算法，建议MCMC算法可以应用于分布上的可能性只能计算到一个归一化常数。
2014-06-07 stat.ME
Quantile Treatment Effects in Regression Kink Designs
关于回归扭结设计的文献开发了连续处理的平均效应（Card，Lee，Pei和Weber，2015），二元处理的平均效应（Dong，2018）和连续处理的分位数效应（Chiang和Sasaki，2019）的识别结果，但迄今为止还没有二元处理的分位数效应的识别结果。在本文中，我们填补了这一空白，在文献中提供了一个识别的分位数处理效应的回归扭结设计与二进制处理变量。为了完整性，我们还开发了大样本理论的统计推断和一个实用的准则估计和推断。
2019-03-18 stat.ME
Quantile index regression
高分位数和低分位数下的结构估计已经成为一个重要的研究课题，并引起了众多领域的广泛关注。然而，由于尾部数据的稀疏性，获得可靠的估计通常是一项具有挑战性的任务，特别是对于高维数据。本文提出了一个灵活的参数结构的尾巴，这使我们能够进行估计的分位数水平与丰富的观察，然后外推拟合的结构，远尾。所提出的模型依赖于一些分位数指数，因此被称为分位数指数回归。利用复合分位数回归方法得到了非交叉分位数估计，并进一步建立了它们的理论性质，包括协变量为低维时的渐近正态性和协变量为高维时的非渐近误差界.仿真研究和经验的例子来说明新模型的实用性。
2021-11-05 stat.ME
Scale estimation and data-driven tuning constant selection for M-quantile regression
M-分位数回归是分位数类回归的一种一般形式，它通常利用Huber影响函数和相应的调节常数。估计需要一个滋扰尺度参数，以确保M-分位数估计尺度不变，与以前提出的几个尺度估计。在本文中，我们评估这些规模估计，并评估其适用性，以及提出了一个新的规模估计的矩量法的基础上。此外，我们提出了两种方法来估计数据驱动的调整常数选择M-分位数回归。通过i）最小化回归参数的估计渐近方差和ii）利用逆M分位数函数来减少离群观测值的影响来获得调谐常数。我们调查是否数据驱动的调整常数，而不是通常的固定常数，例如，在c=1.345，可以提高M-分位数回归参数的估计的效率。使用基于模型的模拟在不同的情况下，数据驱动的调谐常数的性能进行了研究。最后，我们说明了所提出的方法，使用欧盟统计收入和生活条件的数据集。
2020-11-20 stat.ME
Weighted empirical likelihood for quantile regression with nonignorable missing covariates
本文提出了协变量不可分离的分位数回归模型中回归参数的经验似然加权估计。建议的估计是计算简单，实现半参数效率，如果完全观察到的变量的缺失概率被正确指定。理论上量化了所提出的估计器相对于完整案例分析估计器的效率增益，并通过仿真和真实数据应用进行了说明。
2017-10-07 stat.ME
Pyramid quantile regression
分位数回归模型通过捕获协变量在不同分位数水平的影响，提供了响应变量的条件分布的全貌。在大多数应用中，这些条件分布的参数形式是未知的，并且在协变量空间中变化，因此同时拟合给定的分位数水平而不依赖于参数假设是至关重要的。在这项工作中，我们提出了一个贝叶斯模型的同时线性分位数回归。更具体地说，我们建议通过使用随机概率测度（称为分位数金字塔）来模拟条件分布。与许多现有的方法不同，我们的框架允许我们指定有意义的先验的条件分布，同时保留所提供的非参数误差分布制定的灵活性。模拟研究表明，所提出的方法在估计不同的情况下，通常优于其他竞争力的方法的灵活性。该方法是特别有前途的建模极值分位数。线性样条和极值分析的应用也通过实际数据的例子进行了探讨。
2017-11-02 stat.ME
Composite Estimation for Quantile Regression Kink Models with Longitudinal Data
扭结模型被开发用于分析回归函数为两阶段线性但相交于未知阈值的数据。在纵向数据的分位数回归中，以前的工作假设未知的阈值参数或扭结点在不同的分位数上是异质的。然而，扭结效应发生的位置往往是相同的，在不同的分位数，特别是在相邻的分位数水平的区域。忽略这种同质性信息可能导致估计的效率损失。有鉴于此，我们提出了一个复合估计的公共扭结点，通过吸收多个分位数的信息。此外，我们也发展了一个超级似然比检验来检验在给定分位数水平下的扭结效应。基于分位数秩和检验，还建立了常见扭结点的检验反演置信区间。仿真研究表明，所提出的复合扭折估计比最小二乘估计和单分位数估计更具竞争力。我们说明了这项工作的实际价值，通过分析的身体质量指数和血压数据集。
2020-09-04 stat.ME
Bayesian Robust Quantile Regression
传统的贝叶斯分位数回归主要依赖于非对称拉普拉斯分布（ALD），因为它具有令人满意的经验和理论性能。然而，ALD显示中等的尾部，它是不适合的数据，其特征在于从高斯假设的强烈偏差。在本文中，我们提出了一个扩展的ALD贝叶斯分位数回归框架，考虑到肥尾使用偏指数功率（SEP）分布。除了将$τ$水平分位数作为参数外，SEP分布还有一个控制尾部衰减的额外关键参数，这使得它对于在不同置信水平下对条件分位数进行鲁棒建模具有吸引力。线性和广义可加模型（GAM）与惩罚样条被认为是在贝叶斯分位数回归的背景下显示SEP的灵活性。在这两种情况下都考虑了Lasso先验，以解决参数空间变宽时的参数收缩问题。为了实现贝叶斯推断，我们提出了一个新的自适应梅特罗波利斯-黑斯廷斯算法在线性模型和自适应Metropolis吉布斯一GAM框架。通过几个基于模拟和真实数据集的例子，提供了所提出的SEP贝叶斯分位数回归方法的统计特性的经验证据。
2016-05-18 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
Log-symmetric quantile regression models
基于对数对称分布族的回归模型在响应严格为正且不对称时特别有用。本文提出了一类基于重参数化对数对称分布的分位数回归模型，该模型具有一个分位数参数。使用R软件进行了两次蒙特卡罗模拟研究。第一部分分析了极大似然估计、信息准则AIC、BIC和AICc以及广义Cox-Snell和随机分位数残差的性能。第二个评估的性能的大小和权力的Wald，似然比，得分和梯度测试。最后，一个真实的票房数据集进行了分析，以说明所提出的方法。
2020-11-30 stat.ME
Disease Mapping via Negative Binomial Regression M-quantiles
我们介绍了一个半参数的方法，生态回归疾病映射，建模的基础上回归M-分位数的负二项变量。该方法对模型协变量中的异常值具有鲁棒性，包括由于测量误差引起的异常值，并且可以解释空间异质性和空间聚类。基于著名的苏格兰唇癌数据集的模拟实验是用来比较的M-分位数建模方法和疾病映射的随机效应建模方法。这表明M分位数方法导致预测的相对风险比标准疾病映射方法具有更小的均方根误差。本文最后说明性的应用M分位数的方法，映射低出生体重的发病率数据，为2005年至2010年的英国地方政府区。
2013-10-12 stat.ME
An efficient hybrid approach of quantile and expectile regression
针对分位数回归稳健但效率低、期望分位数回归高效但欠稳健的问题，提出融合两种损失函数的HQER方法，通过模拟和实例验证其优越性。
2025-10-06 stat.ME
Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs
在回归不连续性和扭结设计中，对因果效应的大带宽具有鲁棒性的推断的实际重要性得到了广泛的认可。现有的强大的方法涵盖了许多情况下，但不处理统一的模糊设计的CDF和分位数过程的推理，尽管它在最近的文献中使用的实证微观经济学。在这方面，本文扩展了文献，通过开发一个统一的框架，推理与鲁棒性对大带宽，适用于统一推理的分位数处理效应在模糊设计，以及所有其他情况下的尖锐/模糊均值/分位数回归不连续性/扭结设计。我们提出了蒙特卡罗模拟研究和经验应用俄克拉荷马州前K计划的评价。
2019-02-23 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
A Quantile Regression Model for Failure-Time Data with Time-Dependent Covariates
由于生存数据随着时间的推移而发生，因此我们希望考虑的重要协变量通常也会随着时间的推移而变化。这些协变量称为时间依赖性协变量。分位数回归允许协变量随分位数变化，从而为生存数据提供灵活的建模。本文提出了一种新的含有时间依赖协变量的分位数回归模型，用于分析右删失下的生存数据。我们的简单估计技术假设存在工具变量。此外，我们提出了Robins和Rotnitzky（1992）意义下的双稳健估计。估计的渐近性质进行了严格的研究。通过模拟研究证明了煤样的性质。使用斯坦福心脏移植数据集证明了所提出的方法的实用性。
2014-04-30 stat.ME
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
Quantile Regression Modelling via Location and Scale Mixtures of Normal Distributions
我们发现，分位数回归的估计方程可以解决使用一个简单的期望最大化算法，其中M-步骤通过加权最小二乘法计算，在E-步骤计算的权重作为独立的广义逆高斯变量的期望。我们使用核密度估计器计算分位数回归系数的方差-协方差阵，该估计器产生比现有软件产生的标准误更稳定的标准误差。期望最大化算法的自然修改涉及在M步拟合线性混合模型，将方法扩展到混合效应分位数回归模型。在这种情况下，拟合方法可以被证明为广义交替最小化算法。通过加权最小二乘法获得分位数回归估计值可实现与线性回归设置中使用的模型诊断技术类似的模型诊断技术。与现有的软件，使用模拟数据的计算方法进行比较，并说明了几个案例研究的方法。
2021-06-28 stat.ME
Joint Quantile Regression for Spatial Data
线性分位数回归是研究预测因子如何在不同分位数水平上不均匀地影响响应的强大工具。不幸的是，现有的方法发现它非常难以调整观察单元之间的任何依赖性，主要是因为这样的方法不是基于一个完全生成的数据模型。为了分析空间索引数据，我们通过推广Yang和Tokdar（2017）的联合分位数回归模型来解决这个困难，并通过高斯或$t$ copula过程来表征观测单位的基础分位数水平的空间依赖性。引入贝叶斯半参数方法来进行模型参数的推断和进行空间分位数平滑。提供了一个有效的模型比较标准，特别是在不同的模型规格的尾部重量和尾部依赖之间进行选择。广泛的模拟研究和美国东北部的颗粒物浓度的应用，以说明在推理质量，准确性和不确定性量化现有的替代品的实质性收益。
2019-10-29 stat.ME
The $\infty$-S test via regression quantile affine LASSO
University of Geneva（日内瓦大学）；Charles University Prague（布拉格查理大学）；National University of Defense and Technology（国防科技大学）；École Normale Supérieure Paris-Saclay（巴黎萨克雷高等师范学院）
本文提出基于仿射LASSO估计的新型检验方法，利用双变量符号进行评分，用于检验原假设。
2025-12-21 stat.ME
Instrumental Variable Quantile Regression with Misclassification
本文考虑了具有二元内生处理的工具变量分位数回归模型（Zhenzhukov and Hansen，2005，2013）。当无法直接观察治疗状态时，它提供两种识别结果。第一个结果是，值得注意的是，结果变量对工具变量的简化形式分位数回归提供了随机单调性条件下结构分位数处理效应的下限（Small和Tan，2007; DiNardo和Lee，2011）。这一结果不仅在治疗变量发生错误分类时具有相关性，而且在治疗变量的任何测量均不可用时也具有相关性。第二个结果是当治疗状态测量有误差时的结构分位数函数;我通过在广泛使用的测量误差假设下推导矩条件来获得尖锐的识别集。此外，我提出了一种推理方法，在其他协变量的存在。
2019-12-16 stat.ME
Gradient boosting for extreme quantile regression
极端分位数回归提供数据范围外的条件分位数的估计值。经典的分位数回归在这种情况下表现不佳，因为尾部区域的数据太少。极值理论用于超出观测值范围的外推和条件极值分位数的估计。基于超阈值峰值法，将高阈值以上的条件分布近似为协变量相关参数的广义Pareto分布.我们提出了一个梯度提升过程来估计一个条件广义Pareto分布，通过最小化其偏差。交叉验证用于选择调优参数，如树的数量和树的深度。我们讨论诊断图，如变量的重要性和部分依赖图，这有助于解释拟合模型。在模拟研究中，我们表明，我们的梯度提升过程优于经典的方法，从分位数回归和极值理论，特别是对于高维预测空间和复杂的参数响应曲面。在荷兰的降水数据的天气预报的统计后处理的应用程序。
2022-12-21 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
Nonparametric quantile regression for twice censored data
研究了两次删失数据的非参数分位数回归问题。利用单调重排的概念对条件分布函数的估计进行构造，给出了两个新的估计。所提出的方法避免了交叉分位数曲线的问题。建立了这两种估计的弱一致相合性和弱收敛性，并通过模拟研究了它们的有限样本性质。作为一个副产品，我们得到了一个新的结果，关于弱收敛的右删失数据的Beran估计的最大可能区域上，这是自己的兴趣。
2012-06-12 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
Multinomial probit model based on joint quantile regression
本文针对多项选择数据中相对效用分布的分位数分析需求，提出将联合分位数回归与多项 probit 模型相结合的方法，并通过 Gibbs 抽样实现贝叶斯参数估计，在多个数据集上获得了按分位数解释的参数结果。
2025-08-19 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
Spatially filtered unconditional quantile regression: Application to a hedonic analysis
无条件分位数回归（UQR）是研究解释变量对被解释变量边缘分布分位数的影响的一种方法。本研究试图在随机效应特征向量空间滤波的框架内将空间依赖性引入UQR，从而得到我们称之为空间滤波UQR（SF-UQR）的模型。然后，我们开发了一个计算效率高的SF-UQR估计方法。最后，SF-UQR的性能进行了测试与东京都市圈的特征地价模型。SF-UQR是在一个R软件包“spmoran. "
2018-12-18 stat.ME
A Bayesian Semi-Parametric Scalar-On-Function Quantile Regression with Measurement Error using the GAL
分位数回归提供了一种一致的方法来研究协变量与超出平均值的响应分布的各个方面之间的关联。当回归协变量测量有误差时，需要测量误差（ME）调整步骤以进行有效推断。这对于标量协变量和函数协变量都是正确的。在这里，我们建议扩展贝叶斯测量误差和贝叶斯分位数回归文献，以允许可用的协变量倾向于潜在的复杂测量误差。我们的方法使用广义非对称拉普拉斯（GAL）分布作为工作可能性。GAL分布族是贝叶斯分位数回归建模中一个比非对称拉普拉斯分布族更灵活的分布族。然后，我们通过一系列模拟场景，在ME调整步骤中比较和对比了两种方法。最后，我们将我们的方法应用于2013-2014年NHANES数据集的分析，以将体重指数（BMI）的分位数建模为50岁及以上成年人队列中分钟级基于设备的身体活动的函数。
2023-02-07 stat.ME
Extreme quantile regression with deep learning
本研究综述了结合有理论依据的极值理论模型与深度学习方法的极端分位数回归技术，可应对协变量数量与分位数水平均极端的复杂高维场景，为多领域风险评估提供高效方法支撑。
2024-04-14 stat.ME
High-Dimensional Spatial Quantile Function-on-Scalar Regression
本文提出了一种新的空间分位数标量函数回归模型，该模型研究了给定标量预测因子的高维功能反应的条件空间分布。分位数回归和copula建模的强度，我们能够明确地描述整个空间域上的功能或图像响应的条件分布。我们的方法提供了一个全面的理解标量协变量对不同分位数水平的功能反应的影响，也给出了一个实用的方法来生成新的图像给定的协变量值。在理论上，我们建立了固定设计和随机设计下系数函数估计的极大极小收敛速度。我们进一步开发了一个有效的原始-对偶算法来处理高维图像数据。仿真和实际数据分析进行了检查有限样本的性能。
2020-12-19 stat.ME
Global quantile regression
University of South Bohemia（南波希米亚大学）；Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Natural Resources Institute Finland (Luke)（芬兰自然资源研究所）
本文提出一种全局分位数回归方法，用于检验协变量对整个数据分布的影响，结合排列和全局包络检验，适用于不同条件下的极端分位数分析。
2023-09-09 stat.ME
