Bayesian joint quantile autoregression
本文提出完全贝叶斯的联合分位数自回归（QAR）框架，扩展 Koenker-Xiao 与 Tokdar-Kadane 的方法，给出 QAR(p)、多元 QAR(1) 和空间 QAR(1) 模型，并用模拟和西班牙阿拉贡温度数据验证。
2023-05-30 math.ST stat.ME stat.TH
Bayesian Multivariate Quantile Regression Using Dependent Dirichlet Process Prior
在这篇文章中，我们考虑了一个非参数贝叶斯方法的多元分位数回归。给定单变量协变量X的响应向量Y的相关条件分布的集合使用依赖狄利克雷过程（DDP）先验建模。DDP用于引入跨x的依赖性。由于Dirichlet过程先验的实现几乎肯定是离散的，我们需要将其与内核卷积。为了尽可能灵活地建模误差分布，我们使用多维正态分布的可数混合作为我们的内核。对于后验计算，我们使用DDP的截断棒断裂表示。这种近似使我们能够只处理1000个参数。我们使用一个块吉布斯采样器估计模型参数。我们用模拟研究和实际数据应用说明了我们的方法。最后，我们通过后验一致性为所提出的方法提供了理论依据。我们提出的方法是新的，即使当响应是单变量的。
2020-07-01 stat.ME
A flexible quantile mixed-effects model for censored outcomes
Syneos Health；Department of Mathematical Statistics and Actuarial Science, University of the Free State（自由州大学数学统计与精算科学系）；I-BioStat, KU Leuven（KU鲁汶大学生物统计研究所）；Department of Statistics and Actuarial Science, University of Stellenbosch（斯泰伦博斯大学统计与精算科学系）
本文提出了一种基于SEP分布的分位数混合效应模型，用于处理截断纵向数据，相较于SL模型，该方法在偏斜性冲突时表现更稳定。
2025-11-20 stat.ME
Bayesian Quantile and Expectile Optimisation
Secondmind Labs（Secondmind实验室）；Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）
贝叶斯优化（BO）被广泛用于优化随机黑箱函数。虽然大多数BO方法专注于优化条件期望，但许多应用程序需要规避风险的策略，并且需要考虑考虑分布尾部的替代标准。在本文中，我们提出了新的变分模型贝叶斯分位数和预期回归，非常适合异方差噪声设置。我们的模型包括两个潜在的高斯过程，分别占条件分位数（或期望）和尺度参数的非对称似然函数。此外，我们提出了两个BO策略的基础上最大值熵搜索和汤普森采样，这是专为这样的模型，可以容纳大量的点。与现有的BO风险规避优化方法相反，我们的策略可以直接优化分位数和期望值，而不需要复制观测值或假设噪声的参数形式。如实验部分所示，所提出的方法在异方差非高斯情况下明显优于现有技术。
2022-07-07 cs.LG stat.ML
Bayesian Mode Regression
与均值、分位数和方差一样，众数也是集中趋势和数据汇总的重要度量。许多实际问题往往集中在“在网络中的所有元素中，哪个元素（基因或文件或信号）出现得最频繁或最典型？".在这种情况下，模式回归提供了回归量如何影响条件模式的方便总结，并且完全不同于基于条件均值或条件分位数或条件方差的其他回归模型。一些推理方法已被用于模式回归，但没有一个是从贝叶斯的角度。本文介绍了贝叶斯模式回归，探索三种不同的方法。我们从一个参数贝叶斯模型，采用一个似然函数，是基于一个模式的均匀分布。结果表明，无论数据的原始分布如何，使用这种特殊的均匀分布是贝叶斯模式回归的一种非常自然和有效的方法。基于此参数似然的后验估计，即使在误设定下，也是一致的且渐近正态的。然后，我们开发了一个非参数贝叶斯模型，使用Dirichlet过程（DP）的混合模式均匀分布，最后，我们探索贝叶斯经验似然模式回归，将经验似然到贝叶斯框架。本文还证明了各种不适当的先验未知模型参数产生一个适当的联合后验。使用模拟数据集和真实数据集说明了所提出的方法。
2012-08-02 stat.AP stat.ME
Bayesian empirical likelihood for quantile regression
贝叶斯推理提供了一种将数据与先验信息相结合的灵活方法。然而，分位数回归不具备参数似然性，因此，分位数回归的贝叶斯推断需要仔细研究。本文考虑分位数回归的贝叶斯经验似然方法。将经验似然性纳入贝叶斯框架，我们证明了任何固定先验的后验概率是渐近正态的;其均值向真实参数值收缩，其方差接近最大经验似然估计量。一个更有趣的情况下，可以为贝叶斯经验似然信息先验被用来探索跨分位数的共性。在每个百分位数水平上单独计算的回归分位数往往在数据稀疏区域（例如，高或低百分位数水平）。通过经验的可能性，所提出的方法使我们能够探索各种形式的共性跨分位数的效率增益。通过在计算中使用MCMC算法，我们避免了直接最大化经验可能性的艰巨任务。经验研究所提出的方法的有限样本性能，其中大量的效率增益证明了在几个百分点水平上的共同特征的信息先验。收缩先验的理论框架中使用的文件，以更好地理解所提出的方法的力量。
2012-07-23 math.ST stat.TH
A Quantile-based Approach for Hyperparameter Transfer Learning
NAVER LABS Europe（NAVER欧洲实验室）；Amazon Web Services（亚马逊云服务）
贝叶斯优化（BO）是一种流行的方法来调整昂贵的黑盒函数的超参数。传统上，BO一次只关注一个任务，而不是为了利用来自相关功能的信息而设计的，例如跨多个数据集调优同一算法的性能目标。在这项工作中，我们介绍了一种新的方法来实现跨不同的\emph{datasets}以及不同的\emph{objectives}迁移学习。其主要思想是用半参数高斯Copula分布回归从超参数到客观分位数的映射，这提供了对不同任务中可能出现的不同尺度或离群值的鲁棒性。我们引入两种方法来利用这种映射：汤普森采样策略以及高斯Copula过程使用这样的分位数估计作为先验。我们表明，这些策略可以结合多个目标的估计，如延迟和准确性，引导超参数优化更快的预测相同的准确性水平。大量的实验表明，显着改善了国家的最先进的超参数优化和神经结构搜索的方法。
2021-04-19 cs.LG stat.ML
A Semi-Parametric Estimation Method for the Quantile Spectrum with an Application to Earthquake Classification Using Convolutional Neural Network
本文介绍了一种新的估计分位数谱的方法，该方法使用自回归（AR）谱的参数形式与非参数平滑相结合。该方法首先利用三角分位数回归在不同分位数水平上构造的分位数周期图来表征时间序列在不同分位数水平上的序列相关性。在每个分位数水平上，我们用一个普通AR谱形式的函数来近似分位数谱。在这个模型中，我们首先计算我们所谓的分位数自协方差函数（QACF）的逆傅立叶变换的分位数周期图在每个分位数水平。然后，我们求解由QACF形成的Yule-Walker方程，得到分位数偏自相关函数（QPACF）和尺度参数。最后，我们使用非参数平滑器在分位数水平上平滑QPACF和尺度参数，将平滑的QPACF转换为AR系数，并获得AR谱密度函数。数值结果表明，该方法优于其他传统的平滑技术。我们利用估计器的二维特性，训练一个卷积神经网络（CNN）来分类平滑分位数周期图的地震数据，并实现了更高的精度比类似的分类器使用普通的周期图。
2019-10-16 stat.AP stat.ME
Proxy Variable in OECD Database: Application of Parametric Quantile Regression and Median Based Unit Rayleigh Distribution
本文提出专为分位数回归设计的基于中位数的单位Rayleigh（MBUR）分布，并利用OECD数据应用参数化MBUR分位数回归，展示了其连接统计理论与数据分析的潜力。
2025-10-26 stat.AP 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
INLA goes extreme: Bayesian tail regression for the estimation of high spatio-temporal quantiles
这项工作的动机是2017年极值分析会议（EVA 2017）的挑战，其目标是预测观测和未观测地点每个月$99.8\%$水平的日降水分位数。我们在这里开发了一个贝叶斯广义加法建模框架，用于估计在空间和时间上观察到的边际极值的复杂趋势。我们的方法是基于一组回归方程的关联概率高于一个高的阈值和过量的大小，后者被建模使用广义帕累托（GP）分布建议的极值理论。使用高斯过程先验对潜在随机效应进行加性和半参数建模，这提供了高度的灵活性和可解释性。由于集成嵌套拉普拉斯近似（INLA）在R-INLA软件中有效实现，可以快速准确地估计后验分布，我们还使用该软件基于分布主体的模型确定非平稳阈值。我们表明，GP分布满足理论要求的INLA，然后我们开发了一个惩罚的复杂性先验规范的尾部指数，这是一个重要的参数外推尾事件概率。这种先验将质量集中在接近轻指数尾部的地方，同时通过惩罚到指数分布的距离来允许较重的尾部。我们通过EVA 2017挑战提供的每日降水数据的空间和季节趋势建模来说明这种方法。利用R-INLA的快速计算能力和大型分布式计算资源，我们进行了广泛的交叉验证研究，以选择控制趋势平滑度的模型参数。我们的结果优于简单的基准测试，并与最佳评分方法相媲美。
2018-02-04 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
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
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
Inference for best linear approximations to set identified functions
本文给出了已知位于带内的函数的最佳线性逼近的推理方法。它扩展了部分识别文献，通过允许定义频带的上下函数是任何函数，包括携带指数的函数，该指数可以参数化或非参数化估计。通过最佳线性逼近的支撑函数刻画了最佳线性逼近参数的识别域，并建立了最佳线性逼近参数的极限理论。我们证明了支撑函数近似收敛于高斯过程，并建立贝叶斯自助的有效性。本文将文献中的典型例子：区间值结果数据的均值回归和区间值回归数据的均值回归作为特例进行了嵌套。由于边界可能带有指数，因此本文涵盖了均值回归之外的问题;该框架非常通用。应用程序包括分位数和分布回归与区间值数据，样本选择问题，以及平均值，分位数和分布处理效果。此外，该框架可以说明文书的可得性。按照Mulligan和Rubinstein（2008年）的思路进行了一项应用，研究女性劳动力参与情况。
2012-12-21 math.ST stat.TH
Simulation-Based Prior Knowledge Elicitation for Parametric Bayesian Models
针对贝叶斯先验提取中难利用多形式专家知识且受模型结构限制的问题，提出基于仿真的方法，通过随机梯度下降学习先验超参数，经多类模型验证具备有效性与适配性。
2024-04-15 stat.ME stat.ML
A New One Parameter Unit Distribution: Median Based Unit Rayleigh (MBUR): Parametric Quantile Regression Model
本文提出了一种名为MBUR的单参数单位瑞利新分布，构建了参数化分位数回归模型，通过重新参数化的极大似然函数进行参数估计，并结合真实数据集验证了推断与拟合优度。
2025-10-11 math.PR 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
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
Non-parametric Quantile Regression via the K-NN Fused Lasso
分位数回归是用于估计响应变量的条件分位数的统计方法。此外，对于均值估计，众所周知，分位数回归比基于$l_2$的方法对离群值更稳健。通过在$K$ -最近邻图上使用融合套索惩罚，我们提出了一种非参数设置下的自适应分位数估计。我们表明，估计达到最佳的$n^{-1/d}$率的对数因子，温和的假设下的数据生成机制的$d$维数据。我们开发算法来计算估计量和讨论方法的模型选择。模拟和真实数据的数值实验表明，所提出的估计的最先进的方法的国家的明显优势。
2021-08-17 math.ST stat.ME stat.TH
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
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
Non-parametric estimation of conditional quantiles for time series with heavy tails
提出修正的加权Nadaraya-Watson估计量用于重尾时间序列条件分位数，建立渐近正态性，并通过模拟和实际数据验证性能。
2024-07-22 math.ST stat.ME stat.TH
No-Regret Constrained Bayesian Optimization of Noisy and Expensive Hybrid Models using Differentiable Quantile Function Approximations
The Ohio State University（俄亥俄州立大学）
针对噪声观测下昂贵混合模型的约束全局优化问题，提出约束上分位数界（CUQB）方法，利用复合结构与可微近似提升采样效率，提供次线性收敛保证与不可行性检测，数值实验证明其优于传统贝叶斯优化。
2023-07-28 cs.LG stat.ML
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
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
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
Non-parametric Quantile Regression and Uniform Inference with Unknown Error Distribution
本文研究了协变量存在未知分布测量误差时的条件分位数回归函数非参数估计与一致推断，提出反卷积核估计量构建一致置信带，并通过模拟与实际数据验证了方法的有效性。
2025-04-02 econ.EM 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
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
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
Robust Doubly Protected Estimators for Quantiles with Missing Data
双重保护估计量被广泛用于估计样本结果Y的总体均值，其中某些个体的响应缺失。为了补偿缺失的响应，在每个个体上观察协变量的向量X，并假设缺失机制与响应无关，以X为条件（随机缺失）。近年来，许多作者已经从均值转移到中位数，更普遍的是，已经提出了分位数的双重保护估计，假设X和Y之间的关系是参数回归模型，倾向得分是参数形式。在这项工作中，我们提出了双重保护估计的分位数，也是强大的，在这个意义上说，他们是抵抗样本中的离群值的存在。我们还灵活的X和Y之间的关系的模型。因此，我们提出了强大的双重保护估计的分位数的响应中存在的缺失观测，假设一个半参数回归模型的响应和协变量之间的关系和参数模型的倾向得分。
2017-11-06 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
Censored Quantile Regression Forests
Department of Mathematics University of California San Diego（加利福尼亚大学圣地亚哥分校数学系）
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。基于随机森林的局部自适应表示，我们开发了随机截尾回归分位数模型的回归调整。回归调整是基于新的估计方程，适应删失，并导致分位数得分时，数据不显示删失。所提出的方法被称为删失分位数回归森林，允许我们在没有任何参数建模假设的情况下估计事件发生时间的分位数。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。
2019-02-08 cs.LG econ.EM stat.ME
Estimation of Extreme Quantiles for Functions of Dependent Random Variables
本文提出了一种估计多个相依随机变量函数极值分位数的新方法。与基于极值理论的传统方法相比，我们不施加条件，即底层分布的尾部允许近似的参数形式，而且，我们的估计利用了完整的观测数据。所提出的方法是半参数的，因为没有参数的形式假定所有的边缘分布。但是我们利用最近在构造高维藤连接函数方面的发展，选择合适的二元连接函数来模拟联合依赖结构。因此，从拟合的联合分布中抽取一个大的自助样本得到的样本分位数被用作极值分位数的估计量。证明了该估计量是相容的。仿真结果进一步说明了该方法的可靠性和鲁棒性。
2013-11-21 stat.ME
Inference for quantile-parametrized families via CDF confidence bands
Indian Statistical Institute, Kolkata（印度统计学院）；Department of Statistics & Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）
本文提出了一种通过CDF置信带构造置信集的新推断方法，适用于量化参数化分布族，无需分布假设，通过分位数函数实现，适用于小样本和大样本数据。
2025-11-28 stat.ME
A two-part finite mixture quantile regression model for semi-continuous longitudinal data
本文针对半连续纵向数据建立了一个两部分有限混合分位数回归模型。所提出的方法允许异质性来源，影响模型的二进制响应变量，也影响积极的结果的分布。正如分位数回归文献中常见的那样，对模型参数的估计和推断基于非对称拉普拉斯分布。通过期望最大化算法获得最大似然估计，而无需对随机效应分布进行参数假设。此外，惩罚版本的期望最大化算法的变量选择的问题。所提出的统计方法应用于著名的兰德健康保险实验数据集，进一步了解其经验行为。
2020-10-23 stat.AP stat.ME
Parametric quantile autoregressive conditional duration models with application to intraday value-at-risk
本文提出一种基于对数对称分布分位数重参数化的新ACD模型，可建模不同百分位数的条件久期，并通过最大似然估计、残差诊断和蒙特卡洛模拟验证，最终应用于价格久期数据以推导半参数日内风险价值模型。
2023-08-29 stat.ME stat.ML
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
Federated Statistical Analysis: Non-parametric Testing and Quantile Estimation
本文研究联邦环境下两组非参数比较与分位数估计，提出基于 $K$-匿名准则的隐私保护数据发布策略，并证明统计效率仅轻微下降。
2023-08-20 stat.ME
A quantile-copula approach to conditional density estimation
我们提出了一个新的核型条件密度的非参数估计。它是基于一个有效的转换的数据分位数变换。利用Copula表示，它有一个显著的乘积形式。我们研究了它的渐近性质，并基于非参数回归将它的偏差和方差与竞争对手进行了比较。
2008-06-12 math.ST stat.ME stat.TH
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
Multi-step ahead prediction intervals for non-parametric autoregressions via bootstrap: consistency, debiasing and pertinence
本文针对非参数自回归多步超前预测，提出前向自助法并结合去偏技术构建能捕捉模型估计变异性的恰当预测区间，同时证明点预测一致性并给出渐近有效的分位数预测区间。
2023-11-01 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
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
Smoothed quantile regression processes for binary response models
本文考虑了具有线性分位数限制的二元响应模型。相当概括以前的研究在这个问题上，我们的分析集中在无限收集的分位数估计。我们得到一个统一的线性化适当标准化的经验分位数的过程中，发现一些令人惊讶的差异与设置连续观察到的反应。此外，我们表明，考虑分位数过程提供了一种有效的方法来估计二进制选择概率，而无需限制性假设的形式的链接函数，异方差或需要高维非参数平滑的方法，到目前为止。一个统一的线性表示和渐近正态性的结果，并讨论了重排的连接。
2019-04-04 math.ST stat.ME stat.TH
Bayesian Inference for Non-Parametric Extreme Value Theory
由于所研究的罕见事件的低样本量和不准确的模型，在实践中难以对随机事件的极值进行统计推断。如果极值的先验知识是可用的，贝叶斯统计可以应用于降低样本的复杂性，但这需要一个已知的概率分布。通过使用极低概率的分位数（$10^{-2}$或更低）并依赖其渐近正态性，可以在不假设任何分布的情况下进行推断。尽管依赖于渐近的结果，它表明，贝叶斯框架，结合先验信息，可以减少所需的观测数量估计一个特定的分位数到一定程度的准确性。
2022-05-17 math.ST stat.ME stat.TH
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
Bayesian Quantile Regression with Subset Selection: A Decision Analysis Perspective
从贝叶斯决策分析视角提出针对分位数回归的估计、不确定性量化与子集选择方法，引入以分位数为中心的平方误差损失实现高效闭式计算，在模拟和真实数据中显著提升了估计精度与变量选择表现。
2024-11-16 math.ST stat.AP stat.CO
A linear regression model for quantile function data applied to paired pulmonary 3d CT scans
本文提出一种参数化分位数函数线性回归模型，通过分析哮喘患者单克隆抗体治疗前后肺部3D CT扫描体素的HU值分位数曲线变化，实现治疗反应的客观统计评估与推断。
2024-12-19 math.ST stat.AP stat.CO
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
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
Shift identification in time varying regression quantiles
本文研究了时变分位数回归曲线在水平移动之前是否相同。允许回归模型中的误差和协变量是局部平稳的。我们正式这个问题在相应的非参数假设检验问题，并开发一个集成平方范数为基础的测试（SIT）以及同步置信带（SCB）的方法。在零和局部替代下的SIT和SCB的渐近性质。此外，当比较数据集是相依的时，还研究了这些检验的渐近性质。然后，我们提出了有效的野生引导算法来实现SIT和SCB。此外，通过分析与COVID-19爆发和气候科学相关的模拟和真实数据，说明了所提出的方法的有用性。
2021-12-24 stat.ME
Central Quantile Subspace
分位数回归（QR）由于其在许多科学研究中的相关性而变得越来越受欢迎。关于线性和非线性QR模型的研究工作很多。具体来说，条件分位数的非参数估计因其模型灵活性而受到特别关注。然而，非参数QR技术在协变量的数量上是有限的。降维通过考虑低维平滑而不指定任何参数或非参数回归关系来解决这个问题。现有的降维技术主要集中在整个条件分布上。另一方面，我们将注意力转向条件分位数的降维技术，并引入一种新的方法来降低预测因子X的维数。本文的新颖性有三个方面。我们首先考虑一个单指标分位数回归模型，假设条件分位数依赖于X通过一个单一的线性组合的预测，然后扩展到多指标分位数回归模型，最后，推广所提出的方法的任何统计功能的条件分布。通过仿真实例和实际数据应用证明了该方法的性能。我们的研究结果表明，这种方法具有良好的有限样本性能，往往优于现有的方法。
2019-06-03 stat.ME
