Smoothing quantile regressions
我们建议在线性分位数回归中平滑整个目标函数，而不仅仅是检查函数。不仅得到的平滑分位数回归估计量产生较低的均方误差和更准确的Bahadur-Kiefer表示比标准估计量，但它也是渐近可微的。我们利用后者提出了一个分位数密度估计，不受维数灾难。这意味着估计条件密度函数而不用担心协变量向量的维数。它还允许两阶段有效的分位数回归估计。我们的渐近理论保持一致的带宽和分位数水平。最后，我们提出了一个经验法则来选择平滑带宽，应该近似最佳带宽。仿真结果表明，我们的平滑分位数回归估计确实表现得很好，在有限的样本。
2019-08-15 econ.EM 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
Censored Quantile Regression Forest
University of California San Diego（加州大学圣地亚哥分校）；Alexa AI（Alexa人工智能部门）
随机森林是一种功能强大的非参数回归方法，但在存在随机删失观测值的情况下，其使用受到严重限制，并且由于所产生的偏差，天真地应用可能会表现出较差的预测性能。基于随机森林的一种局部自适应表示，研究了随机删失回归分位数模型的回归调整。回归调整是基于一个新的估计方程，适应删失，并导致分位数得分时，数据不显示删失。所提出的程序命名为{ \it删失分位数回归森林}，允许我们估计的时间到事件的分位数，而无需任何参数建模假设。我们建立了温和的模型规格下的一致性。数值研究表明，所提出的程序的一个明显的优势。
2020-01-08 cs.LG stat.ML
Probabilistic Energy Forecasting using Quantile Regressions based on a new Nearest Neighbors Quantile Filter
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
参数分位数回归是创建概率能源预测的有用工具。尽管如此，由于经典分位数回归是使用不可微的成本函数训练的，因此使用复杂的数据采掘技术（例如，人工神经网络）可能是复杂的。本文提出了一种方法，使用一个新的最近邻分位数过滤器，以获得独立的分位数回归所利用的数据采掘技术，没有不可微的成本函数。此后，使用2014年全球能源预测竞赛的数据集进行验证所提出的方法。结果表明，所提出的方法是能够解决类似的准确性，在类似的时间竞争的冠军的竞争任务，但需要一个强大得多的计算机。该属性可能与在线预测服务相关，对于该在线预测服务，需要使用不那么强大的机器来快速计算概率预测。
2019-03-18 cs.LG stat.ML
The Grouped Horseshoe distribution and its statistical properties
本文研究分组马蹄分布，源于贝叶斯回归系数组选择，分析其统计性质，发现单变量马蹄分布多数性质可推广至分组情形。
2024-07-16 math.ST stat.TH
A Comparison Between Quantile Regression and Linear Regression on Empirical Quantiles for Phenological Analysis in Migratory Response to Climate Change
这是公认的，候鸟一般提前他们的到达时间在春天，在本文中，我们探讨潜在的方法，提高在未来的物候分析的细节水平。我们进行单以及多个物种的分析，使用线性模型的经验分位数，非参数分位数回归和基于似然的参数分位数回归与非对称拉普拉斯分布的误差项。我们的结论是，非参数分位数回归似乎最适合于单一以及多个物种的分析。
2022-02-07 stat.AP
quantreg.nonpar: An R Package for Performing Nonparametric Series Quantile Regression
R包quantreg.nonpar实现了非参数分位数回归方法来估计部分线性分位数模型并进行推断。quantreg.nonpar基于对模型的非参数部分的系列近似来获得条件分位数函数及其导数的点估计。它还提供了逐点和均匀的置信区间的协变量值和/或分位数指数的相同功能，使用分析和重新排序方法的区域。本文介绍了该软件包，并展示了其中包含的函数的基本功能。
2016-10-26 econ.EM stat.CO
Extremal quantile regression
分位数回归是估计给定协变量向量X的响应Y的条件分位数的重要工具。它不仅可以用来衡量协变量在分布中心的影响，而且可以用来衡量协变量在上尾和下尾的影响。本文发展了尾部分位数回归理论。具体地说，研究了尾部限制在最小吸引域且在回归变量值的尾部等价下闭的线性分位数回归模型的极值（极值阶和中间阶）分位数回归估计的大样本性质.这种建模设置结合了极值理论的限制与领先的同方差和异方差线性规格的回归分析。在大样本下，极阶回归分位数弱收敛于依赖于回归变量的Poisson过程随机积分的\argmin泛函，而中间回归分位数及其泛函收敛于方差矩阵依赖于尾部参数和回归变量设计的法向量.
2005-05-30 econ.EM math.ST stat.TH
Fast Algorithms for the Quantile Regression Process
分位数回归方法的广泛使用关键取决于快速算法的存在。尽管有许多算法的改进，计算时间仍然是不可忽略的，因为研究人员经常估计许多分位数回归，并使用引导推理。本文提出了两种新的快速算法，用于估计多个分位指数下的分位数回归序列。第一种算法应用Portnoy和Koenker（1997）的预处理思想，但利用先前估计的分位数回归来猜测残差的符号。这一步骤可以减少有效样本量。第二种算法从以前估计的分位数回归在一个类似的分位数指数，并更新它使用一个单一的牛顿-拉夫森迭代。第一种算法是精确的，而第二种算法只是渐近等价于传统的分位数回归估计。我们还将预处理的思想应用到自助样本中，通过使用样本估计来猜测自助样本中残差的符号。仿真结果表明，我们的新算法提供了非常大的改进，在计算时间没有显着的（如果有的话）成本的估计质量。例如，我们将估计99个分位数回归所需的时间除以100，其中包含20个回归变量和50，000个观测值。
2020-04-06 econ.EM stat.CO stat.ME
Extremal Quantile Regression: An Overview
极值分位数回归，即应用于条件分布尾部的分位数回归，在越来越多的经济和金融应用中发挥作用，如风险价值、生产前沿、低婴儿出生体重的决定因素和拍卖模型。本章概述了极值分位数回归理论和算法的最新发展。该理论的进展依赖于对Koenker和Bassett（1978）分位数回归估计定律的极值近似的使用。极值律不仅被证明在尾部提供比高斯律更准确的近似，而且还被用作使用模拟和适当的自举和子采样变化来开发偏差校正估计量和推断方法的基础。这些方法的适用性说明了两个实证例子的条件风险价值和金融传染。
2017-02-08 econ.EM stat.ME
Conformalized Quantile Regression
共形预测是一种构造预测区间的技术，该预测区间在有限样本中达到有效覆盖，而无需进行分布假设。尽管有这种吸引力，现有的保形方法可能是不必要的保守，因为它们形成的区间恒定或弱变化的长度跨越输入空间。在本文中，我们提出了一种新的方法，是完全适应异方差。它结合了共形预测和经典的分位数回归，继承了两者的优点。我们建立了有效覆盖的理论保证，并在流行的回归数据集上进行了广泛的实验。我们比较了保形分位数回归的效率，其他保形方法，表明我们的方法往往产生较短的间隔。
2019-05-08 stat.ME stat.ML
Parametric quantile regression for income data
一元正态回归模型是经济学中广泛应用的统计工具。然而，收入数据具有非对称性，最好用非正态分布来建模。收入模型是劳动经济学的重要研究课题，在确定劳动者收入方面起着重要作用。因此，这项工作的目的是提出参数分位数回归模型的基础上，两个重要的非对称收入分布，即，Dagum和Singh-Maddala分布。所提出的分位数模型是基于重新参数化的原始分布插入一个分位数参数。我们介绍了重新参数化，分布的一些性质，和分位数回归模型及其推论方面。我们继续进行蒙特卡罗模拟研究，考虑极大似然估计的性能评估和两个残差的经验分布的分析。蒙特卡罗结果表明，两种模型均满足预期结果。我们将建议的分位数回归模型应用于智利国家统计局提供的家庭收入数据集。我们表明，这两个模型都有很好的性能，无论是在模型拟合。因此，我们的结论是，结果是有利的Singh-Maddala和Dagum分位数回归模型的使用正的非对称数据，如收入数据。
2022-07-13 econ.EM stat.ME
Quantile Regression with Censoring and Endogeneity
本文提出了一种新的截尾分位数工具变量（CQIV）估计，并描述了它的性质和计算。CQIV估计量结合了Powell（1986）的删失分位数回归（CQR）来处理删失，并采用控制变量方法来纳入内生回归量。CQIV估计是在两个阶段中获得的，这两个阶段在不可观测量中是非加性的。第一阶段估计控制变量具有无穷维参数的非加性模型，例如分位数或分布回归模型。第二阶段估计感兴趣的响应变量的非加性删失分位数回归模型，包括估计的控制变量以处理内变量。对于计算，我们扩展了由Zhaizhukov和Hong（2002）开发的CQR算法，以纳入控制变量的估计。我们给出了CQIV估计量的渐近正态性的一般正则条件，并给出了近似其渐近分布的回归方法的有效性。我们验证了这些条件的控制变量的分位数和分布回归估计。我们的分析涵盖了两阶段（未删失）分位数回归与非添加剂的第一阶段作为一个重要的特殊情况。我们说明的计算和适用性的CQIV估计与蒙特卡洛数值例子和经验应用估计恩格尔曲线酒精。
2014-03-14 econ.EM stat.ME
Non-crossing convex quantile regression
针对凸分位数回归中的分位数交叉问题，本文提出惩罚凸分位数回归方法，在避免交叉的同时保持分位数性质，蒙特卡洛实验验证其优越性。
2022-04-04 stat.AP stat.ME
A Simplified Condition For Quantile Regression
本文针对经济金融风险预测中的异方差性问题，在三种概率模型下提出识别条件，从而建立了分位回归的简化条件。
2025-04-26 math.PR math.ST stat.TH
Quantile Regression Tree
本研究提出Quantile Regressor Tree（QRT），通过结合分位数回归与决策树，利用特征分裂引入非线性，在保持可解释性的同时增强了灵活性，为高维预测变量提供参数与非参数混合的条件分位数估计方法。
2024-07-27 stat.AP
Quantile Regression with Interval Data
研究了观测值为集值时分位数和分位数回归参数的识别问题。我们定义了随机集的分位数的识别集的方式，扩展了规则随机变量的分位数的定义。然后，我们给出了尖锐的特点，这套扩展的概念，从随机集理论。对于分位数回归参数，我们证明了识别集的特征在于一个系统的条件矩不等式。这一特征扩展了正则随机变量的参数分位数回归。估计和推理理论的连续情况下，离散的情况下，非参数条件分位数，参数分位数回归。提出了一种集线性规划的快速算法。蒙特卡罗实验支持我们的理论性质。
2020-04-09 stat.ME
Semismooth Newton Coordinate Descent Algorithm for Elastic-Net Penalized Huber Loss Regression and Quantile Regression
本文提出了一种半光滑牛顿坐标下降算法（SNCD），用于高维环境下的弹性网惩罚Huber损失回归和分位数回归。与现有的坐标下降型算法不同，SNCD在每次迭代中同时更新每个回归系数及其相应的次梯度。它结合了坐标下降和半光滑牛顿算法的优点，有效地解决了维数和非光滑性带来的计算挑战。我们建立了算法的收敛性。此外，我们提出了一个自适应版本的“强规则”筛选预测，以获得额外的效率。通过数值实验，我们证明了该算法是非常有效的，可扩展到超高的维度。我们通过一个真实的数据示例来说明该应用程序。
2016-05-20 stat.CO stat.ML
Partial Functional Linear Quantile Regression for Neuroimaging Data Analysis
提出了一种基于偏分位数协方差技术的函数线性分位数回归模型的预测方法，并提出了一种简单的偏分位数回归（SIMPQR）算法，以有效地提取用于估计函数系数的偏分位数回归（PQR）基.我们进一步扩展我们的偏分位数协方差技术的功能复合分位数回归（CQR）定义偏复合分位数协方差。有三个主要贡献。(1)我们通过线性分位数回归定义两个标量变量之间的偏分位数协方差。我们通过顺序最大化函数协变量的响应和投影之间的偏分位数协方差来计算PQR基。(2)为了有效地提取PQR基，我们开发了一种类似于简单偏最小二乘（SIMPLS）的SIMPQR算法。(3)在同方差的假设下，我们将我们的技术扩展到偏复合分位数协方差，并用它来寻找偏复合分位数回归（PCQR）的基础。然后对SIMPQR算法进行修改，得到SIMPCQR算法。两个仿真研究表明，我们所提出的方法的优越性。用我们提出的方法对ADHD-200样本和ADNI样本的两个实际数据进行了分析。
2015-11-02 stat.ME
A new asymmetric $ε$-insensitive pinball loss function based support vector quantile regression model
Indian Institute of Technology Delhi（德里印度理工学院）；South Asian University（南亚大学）
在本文中，我们提出了一种新的非对称$ε$不敏感弹球损失函数的分位数估计。存在一些弹球损失函数，试图将$ε$不敏感区域方法纳入其中，但它们未能在真正意义上扩展分位数估计的$ε$不敏感方法。所提出的非对称$ε$不敏感弹球损失函数可以在数据周围形成一个固定宽度的非对称$ε$不敏感区域，并使用$τ$值对其进行划分，以估计第$τ$分位数。在支持向量分位数回归（SVQR）模型中引入非对称$ε$不敏感弹球损失函数，显著提高了模型的预测能力。它也带来了稀疏性在SVQR模型。此外，通过在人工和真实世界数据集上进行的几个实验获得的数值结果经验性地显示了所提出的“$ε$ -支持向量分位数回归”（$ε$ -SVQR）模型优于其他现有SVQR模型的功效。
2019-08-19 cs.LG stat.ML
Valid Post-Selection Inference in High-Dimensional Approximately Sparse Quantile Regression Models
本文提出了一种新的（异质）分位数回归模型中回归系数的推断方法。我们考虑一个高维模型，其中回归变量的数量可能超过样本量，但其中的一个子集足以构建一个合理的近似条件分位数函数。所提出的方法是（显式或隐式）基于正交得分函数，防止适度的模型选择错误，这往往是不可避免的，在本文中考虑的近似稀疏模型。我们建立了所提出的分位数回归系数的置信区域的一致有效性。重要的是，这些方法直接适用于一个以上的变量和连续的分位数指数。此外，所提出的方法的性能说明通过蒙特卡洛实验和实证的例子，处理儿童营养不良的危险因素。
2016-06-23 econ.EM math.ST stat.TH
Composite Lp-quantile regression, near quantile regression and the oracle model selection theory
School of Mathematics and Statistics, Sichuan University of Science & Engineering（四川理工学院数学与统计学院）
本文提出复合Lp分位数回归和近分位数回归方法，通过改进算法提升高维分位数回归的效率与准确性。
2026-03-04 math.ST stat.TH
Twin support vector quantile regression
Zhejiang University of Technology（浙江工业大学）；Hainan University（海南大学）
提出孪生支持向量分位数回归（TSVQR），通过两个较小二次规划生成非平行平面捕捉数据异质性与非对称性，实验表明其优于以往方法。
2023-05-06 cs.LG stat.ML
Estimation and Applications of Quantile Regression for Binary Longitudinal Data
本文提出了一个二进制纵向数据设置的分位数回归的框架。设计了一种新的马尔可夫链蒙特卡罗（MCMC）方法来拟合该模型，并在仿真研究中证明了其计算效率。所提出的方法是灵活的，因为它可以解释常见的和个人特定的参数，以及与几个协变量相关的多变量异质性。该方法适用于研究女性劳动力参与和住房所有权在美国。研究结果在不同的分位数上提供了新的见解，这对政策制定者和研究人员都很感兴趣。
2019-09-12 econ.EM stat.ME
Spline Quantile Regression
IBM T. J. Watson Research Center（IBM T.J. 沃森研究中心）
本文提出样条分位数回归方法，通过联合估计分位数回归系数作为平滑样条，提升估计性能。
2025-04-08 stat.CO stat.ME
SPQR: An R Package for Semi-Parametric Density and Quantile Regression
我们开发了一个R包SPQR，它实现了Xu和Reich（2021）中的半参数分位数回归（SPQR）方法。该方法首先使用单调样条拟合灵活的密度回归模型，其权重使用人工神经网络建模为数据相关函数。随后，条件密度和分位数过程的估计都可以得到。与许多假设线性模型的分位数回归方法不同，SPQR允许协变量和响应分布之间的几乎任何关系，包括非线性效应和不同分位数水平上的不同效应。为了提高SPQR的可解释性和透明度，Apley和Zhu（2020）开发的模型不可知统计用于估计和可视化协变量效应及其对分位数函数的相对重要性。在本文中，我们将详细介绍如何在SPQR中实现此框架，并通过模拟和真实数据示例说明如何在实践中使用此包。
2022-10-26 stat.CO stat.ME stat.ML
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
Multi-Fidelity Quantile Regression
National University of Singapore（新加坡国立大学）
本文提出一种双阶段、模型无关的多保真度分位数回归方法，通过局部分位数链接将高保真度分位数表示为低保真度分位数在协变量依赖水平上的评估，从而估计水平函数以提高估计精度，并通过实验验证方法的有效性。
2026-06-06 stat.AP stat.ME stat.ML
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
Quantile regression with deep ReLU Networks: Estimators and minimax rates
分位数回归是从已知协变量的集合中估计指定百分位响应（如中位数）的任务。我们研究了分位数回归，使用修正线性单元（ReLU）神经网络作为所选的模型类。我们推导出用于估计一组协变量条件下的任何分位数的ReLU网络的预期均方误差的上界。该上界仅取决于最佳可能的近似误差、网络中的层数以及每层的节点数。我们进一步表明，上界是紧的两大类功能：组成的Hölder功能和成员的Besov空间。这些严格的界限意味着具有分位数回归的ReLU网络可以为广泛的函数类型集合实现极大极小化率。与现有的工作不同，理论结果保持在最小的假设条件下，并适用于一般的误差分布，包括重尾分布。对一套合成响应函数的实证模拟表明，理论结果可以转化为ReLU网络的实际实现。总的来说，理论和实证结果提供了对ReLU神经网络在广泛的函数类和误差分布中进行分位数回归的强大性能的深入了解。本文的所有代码都可以在https://github.com/tansey/quantile-regression上公开获得。
2020-12-18 math.ST stat.ML stat.TH
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
Quantile regression in transformation models
条件分位数为报告基于半参数转换模型的回归分析的结果提供了一种自然的工具。我们认为他们的估计和建设的置信集存在删失。
2005-11-21 math.ST stat.TH
On the Unbiased Asymptotic Normality of Quantile Regression with Fixed Effects
具有固定个体效应的非线性面板数据模型为描述微观计量经济学数据提供了一套重要的工具。在一大类这样的模型中（包括概率单位、比例风险和分位数回归，仅举几例），不可能区分出个体效应，推断通常在“大n大T”渐近框架中是合理的。然而，目前在平滑评分函数（如概率单位和比例风险）和分位数回归模型中施加的假设类型存在相当大的差距。在本文中，我们表明，这一差距可以被弥合，并建立渐近无偏正态的分位数回归面板的n，T的条件下，是非常接近通常假设在标准的非线性面板。我们的结果大大改进了现有的理论，并表明，分位数回归适用于相同类型的面板数据（在n，T）作为其他常用的非线性面板数据模型。数值实验证实了我们的理论研究结果。
2020-02-06 econ.EM math.ST stat.TH
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
Asymptotics for penalized spline estimators in quantile regression
分位数回归预测$τ$ -给定$τ\in(0,1)$解释变量的响应变量条件分布的分位数。本文的目的是建立罚样条方法所得到的分位数估计量的渐近分布。模拟和实际数据的探索进行验证我们的结果。
2012-09-06 math.ST stat.TH
Nonparametric smoothing for extremal quantile regression with heavy tailed distributions
在几个不同的领域，人们对分析底层分布的上尾或下尾分位数而不是平均值或中心分位数感兴趣。然而，尾部分位数的调查是困难的，因为数据稀疏。在本文中，我们试图发展极值分位数水平的非参数分位数回归。在极值分位数回归中，分位数水平的收敛阶有两种技术条件：中间阶和极值阶。对于中间阶分位数，使用普通的非参数估计。另一方面，对于极阶分位数，我们通过外推中阶分位数估计，给出了一个新的估计。渐近理论和极值理论保证了估计量的性能。结果证明了非参数分位数回归估计的渐近正态性和收敛速率。一个模拟，以确认所提出的估计的行为。数据应用也得到了评估。
2019-03-20 math.ST stat.TH
Fair quantile regression
Yale University（耶鲁大学）
分位数回归是一种学习条件分布的工具。在本文中，我们研究了分位数回归的设置时，一个受保护的属性是不可用的模型拟合。这可能导致“不公平”的分位数估计量，其有效分位数对于受保护属性定义的子总体非常不同。我们提出了一个程序，用于调整估计的holdout样本的保护属性是可用的。本文的主要结果是一个经验过程分析表明，调整导致一个公平的估计，目标分位数被带入平衡，在统计意义上，我们称之为$\sqrt{n}$ -公平。我们说明的想法和调整程序的数据集的200,000活产婴儿，其目标是描述的依赖性的婴儿出生体重的人口统计属性的生母;受保护的属性是母亲的种族。
2019-07-19 cs.LG math.ST stat.ML
MM Algorithms for Statistical Estimation in Quantile Regression
本文针对线性分位数回归的统计估计问题构建并测试易于编码的 MM 算法，并通过模拟比较与多组真实数据应用验证其有效性。
2025-02-17 stat.AP stat.CO 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
Improving linear quantile regression for replicated data
本文讨论了当协变量的不同值少而重复数多时线性分位数回归的改进问题。通过在分位数回归中使用合适的权值，或简单地对条件样本分位数使用加权最小二乘回归，可以提高回归系数估计的渐近有效性。未加权估计量和加权估计量的渐近方差仅在某些限制性特殊情况下一致，例如，当条件响应的密度在协变量支持度上的感兴趣分位数处具有相同值时。在模拟研究中，并通过对热带气旋数据集的分析，证明了加权估计的优势。
2020-11-27 stat.AP
Bias correction for quantile regression estimators
University of Southern California（南加州大学）；University of California, Davis（加利福尼亚大学戴维斯分校）；University of Michigan（密歇根大学）；CESifo
本文提出了一种用于分位数回归估计量的二阶偏倚校正方法，通过有限差分估计偏倚组件，提高了估计精度，并通过实证数据验证了其有效性。
2025-02-12 econ.EM math.PR math.ST
Nonparametric Quantile Regression: Non-Crossing Constraints and Conformal Prediction
The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）
我们提出了一种非参数分位数回归方法，使用深度神经网络与整流线性单位罚函数，以避免分位数交叉。该罚函数在多维非参数分位数回归中对非交叉约束的处理是可行的。我们建立了所提出的非参数分位数回归函数估计的超额风险的非渐近上界。我们的误差界达到最佳的极小极大收敛速度的持有人类，和前因子的误差界多项式依赖于预测的维度，而不是指数。基于提出的非交叉惩罚深度分位数回归，我们构造了完全适应异质性的共形预测区间。在合理的条件下，建议的预测区间具有良好的性能，在有效性和准确性。我们还推导出了所提出的非交叉共形预测区间和理论预言区间之间的长度差的非渐近上界。数值实验，包括模拟研究和实际数据的例子来证明所提出的方法的有效性。
2022-10-18 cs.LG math.ST stat.ML
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
Function-on-function partial quantile regression
In this paper, a functional partial quantile regression approach, a quantile regression analog of the functional partial least squares regression, is proposed to estimate the function-on-function linear quantile regression model. A partial quantile covariance function is first used to extract the functional partial quantile regression basis functions. The extracted basis functions are then used to obtain the functional partial quantile regression components and estimate the final model. In our proposal, the functional forms of the discretely observed random variables are first constructed via …
2021-09-13 stat.AP stat.CO 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
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
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
