Debiased Front-Door Learners for Heterogeneous Effects
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文研究了前门识别下的异质治疗效应，提出两种去偏学习者FD-DR-Learner和FD-R-Learner，通过样本分割和假设证明其估计的可靠性与效率。
2026-05-08 cs.LG stat.ML
Inference for Heterogeneous Treatment Effects with Efficient Instruments and Machine Learning
Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计系）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
本文提出了一种基于双重/去偏机器学习和高效工具的IV估计器，用于推断异质处理效应，并在合成和实际数据上进行了验证。
2026-02-05 stat.ME
Automatic Debiased Machine Learning for Smooth Functionals of Nonparametric M-Estimands
University of Washington（华盛顿大学）；Netflix Research（Netflix 研究）；Cornell Tech, Cornell University（康奈尔理工学院，康奈尔大学）
本文提出自动去偏机器学习框架，用于估计广义统计参数。通过自动构造去偏估计器，结合损失函数的梯度、Hessian和线性近似，实现对非参数M-估计量的光滑函数的高效估计。
2026-03-20 math.ST stat.ME stat.ML
Efficient Discovery of Heterogeneous Quantile Treatment Effects in Randomized Experiments via Anomalous Pattern Detection
本文提出TESS方法，通过非参数扫描统计量最大化，在随机实验中高效发现受处理影响最显著的亚群，并控制错误率，实现检测一致性，经模拟和真实数据验证有效。
2023-05-10 econ.EM stat.ME stat.ML
Doubly Robust Estimation of Direct and Indirect Quantile Treatment Effects with Machine Learning
提出基于双重/去偏机器学习的直接与间接分位数处理效应估计方法，通过有效得分函数与交叉拟合实现稳健估计，并应用于模拟与实证数据验证有效性。
2023-07-03 econ.EM stat.ML
Penalized GMM Framework for Inference on Functionals of Nonparametric Instrumental Variable Estimators
University of Pennsylvania（宾夕法尼亚大学）
本文提出一种带惩罚项的GMM框架，用于非参数工具变量估计量功能的自动去偏推断，推导了PGMM估计量的收敛速率，并提供了根n一致性及渐近正态性的条件，涵盖线性和非线性功能。蒙特卡洛实验表明，基于PGMM的去偏估计量在平均导数上表现与使用已知闭式Riesz代表元的分析去偏估计量相当。
2026-04-02 econ.EM stat.ML
Debiased Inverse Propensity Score Weighting for Estimation of Average Treatment Effects with High-Dimensional Confounders
针对高维混杂下平均处理效应估计问题，提出去偏差逆倾向得分加权法，在倾向得分稀疏逻辑回归假设下获$\bigstar$-相合估计，支持复杂结果回归，可构建置信区间并达半参数效率，已发布R包dipw。
2024-04-11 math.ST stat.ME stat.TH
Inference on Quantile Treatment Effects with Small Treatment Groups
本研究针对多值处理模型中自然出现的小处理组，开发了允许处理组规模保持有界的条件分位数处理效应推断方法，通过结合条件分位数函数估计与分位数指标的伯努利表示，经蒙特卡洛实验验证了其有限样本性能。
2026-10-23 econ.EM econ.GN math.ST
Quantile-based causal inference for spatio-temporal processes: Assessing the impacts of wildfires on US air quality
本文提出基于分位数的QLSCM模型，用于分析野火对空气质量的因果影响，揭示了不同地区和污染水平下的异质效应，为环境政策提供决策依据。
2025-12-18 stat.AP
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型，其中的结果是一个虚拟的治疗变量的线性组合，每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理，我们发现，如果非均质系数与给定对照的处理无关，则一个简单的识别条件是广义倾向得分（Imbens，2000）远离零，并且它们的总和远离1，概率为1。我们的分析延伸到分布和分位数处理效应，以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin（1983）关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
Double/Debiased Machine Learning for Dynamic Treatment Effects via g-Estimation
Microsoft Research（微软研究院）
我们认为，当随着时间的推移分配多种治疗时，治疗可能对未来的结果或治疗单位的状态产生因果影响时，对处理效应进行估计。我们提出了一个扩展的双/去偏的机器学习框架来估计治疗的动态效果，这可以被看作是一个奈曼正交（局部鲁棒）交叉拟合版本的$g$ -估计在动态治疗方案。我们的方法适用于一般类别的非线性动态治疗模型，称为结构嵌套平均模型，并允许使用机器学习方法来控制潜在的高维状态变量，受到均方误差保证，同时仍然允许参数估计和置信区间的结构参数的建设。这些结构参数可以用于在参数速率下对任何目标动态策略进行离策略评估，这受到对数据生成过程的半参数限制。我们的工作是基于一个递归剥离过程，典型的$g$ -估计，并制定了一个强凸目标在每个阶段，这使我们能够扩展$g$ -估计框架在多个方向：i）提供有限样本保证，ii）在任意函数空间内估计相对于固定单元特征的非线性效应异质性，使RLearner算法的动态模拟能够用于异质效应，iii）允许目标结构函数的高维稀疏参数化，使得能够通过递归套索算法进行自动模型选择。我们还提供保证，数据来自一个单一的治疗单位在一个长期的地平线和平稳条件下。
2021-06-17 cs.LG econ.EM stat.ML
Treatment Effect Estimation with Unobserved and Heterogeneous Confounding Variables
在存在未观察到的混杂变量（通常称为隐变量）的情况下，处理效应的估计通常存在偏倚。虽然最近提出了一些方法来处理隐变量的影响，这些方法往往忽略了观察到的治疗变量和未观察到的协变量之间的任何相互作用的可能性。在这项工作中，我们解决了这个缺点，通过研究一个多变量响应回归问题与未观察到的和异构混杂变量的形式$Y=A^T X+ B^T Z+ \sum_{j=1}^{p} C^T_j X_j Z + E$，其中$Y \in \mathbb{R}^m$是$m$维的响应变量，$X \in \mathbb{R}^p$是观察到的协变量（包括治疗变量），$Z \in \mathbb{R}^K$是$K$维未观察到的混杂因素，和$E \in \mathbb{R}^m$是随机噪声。允许$X_j$和$Z$之间的相互作用诱导异质混杂效应。我们的目标是估计未知矩阵$A$，观察到的协变量或治疗对反应的直接影响。为此，我们提出了一种新的去偏估计方法，通过奇异值分解，以消除未观察到的混杂变量的影响。在同方差和异方差噪声下，给出了估计量的收敛速度。我们还提出了几个模拟实验和现实世界的数据应用程序来证实我们的研究结果。
2022-07-29 stat.ME stat.ML
Regression Discontinuity Design with Distribution-Valued Outcomes
Department of Economics University of Michigan（密歇根大学经济学系）
本文提出R3D方法，将断点回归设计扩展至结果为分布的设定，通过局部多项式回归和局部Fréchet回归估计局部平均分位数处理效应，并应用于研究美国州长党派控制对州内收入分布的影响。
2025-04-04 cs.LG econ.EM math.ST
Modern Causal Inference Approaches to Improve Power for Subgroup Analysis in Randomized Controlled Trials
New York University School of Medicine（纽约大学医学院）
本文提出了一种结合基线预测因子和外部数据的因果推断方法，以提高小型随机对照试验中亚组分析的统计功效，并通过模拟和实际数据验证其有效性。
2026-02-11 stat.ME
Causal Inference by Quantile Regression Kink Designs
分位数回归扭结设计（QRKD）是一种在合适的研究设计下评估异质性处理效应的潜在方法，但其因果解释尚不清楚。我们提出了一个因果解释的QRKD估计。在灵活的异质性和内生性下，QRKD被估量在给定设计的扭结点的结果的相应条件分位数处测量异质性边际效应的加权平均值。此外，我们开发的QRKD估计作为一个局部分位数过程的目的进行统计推断异质性处理效应使用QRKD的弱收敛结果。应用我们的方法连续工资和福利历史项目（CWBH）的数据，我们发现显着异质性的正因果关系的影响，失业保险金的失业持续时间在路易斯安那州1981年和1983年之间。这些影响对于失业时间较长的个人来说更大。
2017-12-14 stat.ME
Learning non-smooth models: instrumental variable quantile regressions and related problems
本文提出了计算效率高的方法，可用于工具变量分位数回归（IVQR）和相关的方法与统计保证。当我们研究异质性处理效应时，这是非常必要的，因为内源性处理和对照变量之间的相互作用导致内源性协变量数量增加。我们证明了IVQR的GMM公式是NP-hard的，并且找到近似解也是NP-hard的。因此，从纯计算的角度来解决这个问题似乎是不可能的。相反，我们的目标是获得一个估计，具有良好的统计特性，不一定是任何优化问题的全局解。该建议包括采用$k$ -步校正的初始估计。初始估计利用了混合整数线性规划的最新进展，可以在几秒钟内计算出来。一个理论贡献是，这样的初始估计量和雅可比矩阵的时刻条件中使用的k步校正甚至不需要是一致的，并且仅仅需要$k=4\log n$快速迭代来获得有效的估计量。整体建议的规模以及处理非常大的样本量，因为缺乏一致性要求，允许使用一个非常小的子样本，以获得初始估计和k步迭代的完整样本可以有效地实现。另一个贡献是独立的兴趣是提出一个调谐免费估计的雅可比矩阵，其定义nvolves条件密度。该雅可比估计量推广了自举分位数标准误差，并且可以通过闭端解决方案有效地计算。我们评估的性能的建议，在模拟和经验的例子上的异质性处理效应的工作培训伙伴关系法案。
2019-09-05 econ.EM stat.CO stat.ME
Heterogeneous Treatment Effect Bounds under Sample Selection with an Application to the Effects of Social Media on Political Polarization
提出一种基于去偏/双重机器学习的异质性因果效应界限估计与推断方法，在无排除性限制的一般样本选择模型中提供条件效应界限，应用于Facebook实验数据后获得了更紧的效应界限并揭示了年轻用户的去极化效应。
2024-07-26 econ.EM stat.ML
Randomization Inference beyond the Sharp Null: Bounded Null Hypotheses and Quantiles of Individual Treatment Effects
本研究将随机化推断的适用范围从尖锐零假设拓展至更具合理性的有界零假设，进一步实现了个体处理效应分位数等的精确非参数推断，无需多重校正，并通过验证和R包RIQITE支撑方法落地。
2023-08-28 math.ST stat.ME stat.TH
A New and Efficient Debiased Estimation of General Treatment Models by Balanced Neural Networks Weighting
本文提出平衡神经网络加权方法，利用深度神经网络和校准实现一般处理模型下去偏且稳健的处理效应估计，适用于离散、连续及混合处理，并具有速率双重稳健性和半参数效率。
2025-07-05 econ.EM stat.ME
Estimating Heterogeneous Causal Effects with Tree-Based Methods under Imperfect Compliance
University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对不完全依从场景，提出两种非贝叶斯树方法（DRRF-IV和GRF-IV）估计条件依从者平均因果效应，模拟显示性能与BCF-IV相当且计算更快，并应用于ICU及时入院对死亡率影响的子组分析。
2026-09-29 econ.EM stat.ME
Network and Panel Quantile Effects Via Distribution Regression
本文提供了一种方法来构造非线性网络和面板模型中的分位数函数和分位数效应的同时置信带，具有不可观察的双向效应，严格外生协变量，并可能离散的结果变量。该方法基于由固定效应分布回归估计量构造的分布函数的同时置信带的投影。这些固定效应估计量是去偏的，以处理附带参数问题。在数据集的两个维度以相同速率增长的渐近序列下，分位数函数和效应的置信带在大样本中具有正确的联合覆盖。贸易引力模型的实证应用说明了网络数据的方法的适用性。
2020-06-08 econ.EM stat.ME
Heterogeneous Treatment Effects for Networks, Panels, and other Outcome Matrices
我们感兴趣的是一个实验的处理效应的分布，其中单位被随机分配到一个治疗，但结果是衡量成对的单位。例如，我们可以衡量参加小额信贷计划的家庭之间的风险分担联系，暴露于贸易冲击的工人和公司之间的雇佣关系，或者投标人对分配给拍卖形式的物品的出价。当分配给相同治疗的单位之间存在社会互动、市场外部性或其他溢出效应时，这种双重随机实验设计可能是合适的。或者它可以描述一个自然的或准实验给研究人员。在本文中，我们提出了一个新的经验策略，比较与每个治疗相关的结果矩阵的特征值。我们的建议是基于一个新的矩阵模拟的Fréchet-Hoeffding界限，发挥了关键作用的标准理论。我们首先使用这个结果来约束处理效应的分布。然后，我们提出了一个新的矩阵模拟的分位数处理效应，这是由不同的特征值。我们称之为模拟光谱处理效应。
2022-10-07 econ.EM stat.ME
Inference on the Distribution of Individual Treatment Effects in Nonseparable Triangular Models
本文在不可分三角模型中提出基于累积分布函数的个体处理效应分布推断方法，建立经验CDF和分位数函数的弱收敛理论，并开发自助法一致置信带，相比基于密度的方法结果更精确。
2025-09-18 econ.EM 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
Tighter confidence intervals for quantiles of heterogeneous data
Tilburg University（蒂尔堡大学）；Eastern Institute of Technology, Ningbo（宁波东方理工大学）
本文提出了一种新的方法，用于估计异质数据中分位数的减少渐近方差，从而生成更短且更准确的置信区间。
2026-01-24 math.ST stat.ME stat.TH
Causal Inference for Genomic Data with Multiple Heterogeneous Outcomes
针对单细胞基因组数据中多个异质性结果，提出一种半参数双稳健推断框架，支持标准化平均处理效应和分位数处理效应估计，并采用高斯乘子自助法控制错误发现率。
2025-04-22 stat.AP stat.ME stat.ML
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
Hybrid Censored Quantile Regression Forest to Assess the Heterogeneous Effects
在许多应用中，对删失响应变量的异质处理效应是主要关注的，并且很自然地评估不同分位数的效应（例如，中位数）。大量的潜在效应修饰因子、处理效应的未知结构以及右删失的存在构成了重大挑战。在本文中，我们开发了一个混合森林方法称为混合删失分位数回归森林（HCQRF），以评估异质性的影响，随着高维变量。混合估计方法利用随机森林和删失分位数回归。我们提出了一个双加权估计过程，包括一个再分布的质量权重来处理审查和一个自适应最近邻权重来自森林处理高维效应函数。我们提出了一个变量的重要性分解来衡量一个变量对处理效应函数的影响。大量的仿真研究证明了HCQRF的有效性和稳定性。仿真研究的结果也证明了变量重要性分解的有效性。我们将HCQRF应用于结直肠癌的临床试验。我们实现了有见地的估计的处理效应和有意义的变量重要性的结果。变量重要度的计算结果也证实了分解的必要性。
2022-12-12 stat.ME stat.ML
A unified quantile framework for nonlinear heterogeneous transcriptome-wide associations
针对传统 TWAS 仅关注线性关联的不足，本文提出 QTWAS 框架，通过整合基于分位数的基因表达模型检测非线性、异质性基因—性状关联，并在模拟和连续、二元性状应用中显示更高功效。
2024-12-07 stat.AP stat.ME
Debiased and Simultaneous Inference for Heterogeneous Factorial Effect Modifiers via Residualized Walsh-Hadamard Scores
Juntendo University（顺天堂大学）；Kyoto University（京都大学）
针对因子随机化实验，提出基于残差化Walsh-Hadamard得分的去偏推断方法，实现对所有效应修饰单元的同时置信带与选择，无需效应遗传假设。
2026-09-30 math.ST stat.ME stat.TH
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
Quantile regression outcome-adaptive lasso: variable selection for causal quantile treatment effect estimation
本文提出分位数回归结果自适应套索（QROAL）方法，利用线性分位数回归构建惩罚权重，在不同分位数处理效应估计中分别选择PS模型协变量，并在模拟和CHARLS数据中验证其优于OAL方法。
2023-08-14 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
On the Pointwise Behavior of Recursive Partitioning and Its Implications for Heterogeneous Causal Effect Estimation
Princeton University（普林斯顿大学）；Two Sigma Investments, LP（Two Sigma投资公司）
本文证明自适应递归划分的决策树在一致范数下可能无法达到多项式收敛速率，而随机森林通过子采样和随机特征选择机制可实现接近最优的逐点推断性能。
2024-02-07 cs.LG math.ST stat.ML
Design-based Estimation and Inference on Quantile Exposure Effect under General Interference
Peking University（北京大学）；University of Miami（迈阿密大学）；Beijing International Center for Mathematical Research（北京国际数学研究中心）
针对网络干扰下分位数暴露效应，提出基于设计的估计与推断框架，解决非光滑性与有限总体挑战，并通过模拟和教育干预应用揭示平均效应遗漏的尾部异质影响。
2026-09-15 stat.ME
Policy Learning with Distributional Welfare
本文提出基于个体处理效应条件分位数（QoTE）的最佳处理分配策略，以解决平均福利在异质性个体下的不良分配问题，并引入对模型不确定性鲁棒的极小化极大策略，建立了后悔渐近界。
2025-04-29 econ.EM math.ST stat.ME
Inference for High Dimensional Censored Quantile Regression
随着高维遗传生物标志物的可用性，人们感兴趣的是识别这些预测因子对患者生存的异质性影响，以及适当的统计推断。删失分位数回归已成为检测协变量对生存结局异质性影响的有力工具。据我们所知，很少有工作可用于推断的影响，高维预测删失分位数回归。本文提出了一种新的程序，在全球审查的分位数回归，调查协变量的响应协会的分位数水平的间隔，而不是一些离散值的框架内得出的所有预测推理。该估计器结合了一系列低维模型估计，是基于多样本分裂和变量选择。我们证明了在一定的正则条件下，估计是相合的，并且渐近服从以分位数水平为指标的高斯过程。模拟研究表明，我们的程序可以适当地量化的不确定性的估计在高维设置。我们应用我们的方法来分析居住在肺癌通路中的SNP对患者生存的异质性影响，使用波士顿肺癌生存队列，一项关于肺癌分子机制的癌症流行病学研究。
2021-07-22 stat.ME stat.ML
Minimax Rate-Optimal Inference for Individualized Quantile Treatment Effects in High-dimensional Models
针对高维模型下的个体化分位数处理效应估计问题，提出去偏估计量，证明其弱收敛于高斯过程，建立极小极大最优推断框架，通过模拟和NHANES数据集验证了方法有效性。
2025-03-24 math.ST stat.ME stat.TH
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
Program Evaluation and Causal Inference with High-Dimensional Data
在本文中，我们提供了有效的估计和诚实的置信带的各种治疗效果，包括局部平均值（LATE）和局部分位数治疗效果（LQTE）在数据丰富的环境。我们可以处理非常多的控制变量、内源性治疗接受、异质性治疗效果和功能价值结果。我们的框架涵盖了外源性接受治疗的特殊情况，无论是有条件的控制或无条件的随机对照试验。在后一种情况下，我们的方法产生有效的估计和诚实带（功能）平均治疗效果（ATE）和分位数治疗效果（QTE）。为了使信息推理成为可能，我们假设关键简化形式的预测关系是近似稀疏的。这个假设允许使用正则化和选择方法来估计这些关系，并且我们提供了用于后正则化和后选择推理的方法，这些方法在各种模型中都是一致有效的（诚实的）。我们表明，一个关键因素，使诚实的推理是使用正交或双鲁棒矩条件估计某些简化形式的功能参数。我们说明了使用所提出的方法与应用程序，以估计401（k）资格和参与对累积资产的影响。
2018-01-05 econ.EM math.ST stat.ME
Semiparametric copula-based quantile regression for semicontinuous outcomes with application to healthcare data
Department of Mathematics and Statistics, University of Windsor（温莎大学数学与统计系）
本文提出了一种半参数化copula基础的两阶段分位数回归框架，用于分析具有零点质量和连续正部分的半连续结果，通过copula条件分布链接发生和幅度过程，展示非线性依赖和协变量效应的灵活性，且在非线性依赖和显著零膨胀情况下优于logistic/线性回归。
2026-03-14 stat.ME
Transfer Learning for High-dimensional Quantile Regression with Distribution Shift
本文提出了一种针对高维分位数回归的迁移学习方法，以应对参数、协变量和残差偏移问题，通过建立误差界和正交去偏方法提升模型的鲁棒性和准确性。
2025-11-25 math.ST stat.ME stat.ML
Post-selection inference on high-dimensional varying-coefficient quantile regression model
分位数回归已成功地用于研究异质性和重尾数据。变系数模型经常用于捕捉输入变量对响应的影响随指数或时间的变化。在这项工作中，我们研究了高维变系数分位数回归模型，并开发了新的统计推断工具。我们专注于开发有效的置信区间和诚实的测试，在一个固定的时间点和分位数的非参数系数，同时允许输入变量的数量超过样本量的高维设置。由于在估计中使用了模型选择技术，因此在该方案中进行统计推断具有挑战性。然而，我们可以开发有效的推理工具，适用于广泛的数据生成过程，并不遭受由模型选择引入的偏见。我们进行了数值模拟，以证明我们的方法的有限样本性能，我们也说明了一个实际数据的例子的应用。
2021-10-14 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
StaRQR-K: False Discovery Rate Controlled Regional Quantile Regression
StaRQR-K通过控制虚假发现率实现区域分位数回归，用于检测基因组特征与结果分布特定分位数区域的关联。
2025-11-26 stat.ME
Decision Theory for the Archetype Discovery Problem
Cornell University（康奈尔大学）
本文利用决策理论，提出通过加权K-means聚类异质政策效应来划分原型集，并证明该方法在均方误差准则下优于传统的分位数分组方法。
2026-06-16 econ.EM stat.AP stat.ME
Fisher-Schultz Lecture: Generic Machine Learning Inference on Heterogenous Treatment Effects in Randomized Experiments, with an Application to Immunization in India
提出一种通用的机器学习方法，通过重复数据划分和分位数聚合，对随机实验中的异质性处理效应进行估计和推断，并应用于印度的免疫接种实验。
2023-10-23 econ.EM math.ST stat.ML
A Finite Mixture Failure-rate based Heterogeneous Step-stress Accelerated Life Testing (h-SSALT) Model
The University of Burdwan（巴德万大学）；Newcastle University（纽卡斯尔大学）
本文提出一种基于有限混合失败率的异质步应力加速寿命测试模型，通过Weibull分布的II型截尾失效时间，允许在第二应力水平上通过有限混合的m个潜在子组产生异质性，利用期望最大化算法进行最大似然估计，并通过模拟研究验证了忽略异质性对寿命预测的系统性偏差。
2026-05-20 stat.ME
A robust mixed-effects quantile regression model using generalized Laplace mixtures to handle outliers and skewness
本文提出一种基于受污染广义非对称拉普拉斯混合的贝叶斯混合效应分位数回归模型，以稳健处理离群值和偏态，并在HIV病毒载量衰减数据中验证其优于传统方法。
2025-06-20 stat.ME
Estimation and Inference for Multi-Kink Quantile Regression
多扭结分位数回归（MKQR）模型是分析具有异质条件分布的数据的重要工具，特别是当响应变量的分位数是感兴趣的时，由于其对响应中的离群值和重尾误差的鲁棒性。它假设在阈值协变量的域的不同区域中具有不同的线性分位数回归形式，但在扭结点处仍然是连续的。本文研究了MKQR模型的参数估计、扭结点检测和统计推断。我们提出了一种迭代分段分位数回归算法，用于估计回归系数和扭结点的位置。该算法的计算效率比网格搜索算法高得多，并且对初始值的选择不敏感。建立了扭折点个数的选择一致性、回归系数和扭折效应估计的渐近正态性等渐近性质，从理论上证明了该方法的合理性.基于部分次梯度的分数检验被用来验证扭结效应是否存在。还构建了扭结位置参数的试验反演置信区间。密集的仿真研究表明，当样本量有限时，所提出的方法工作得很好。最后，我们将MKQR模型与所提出的方法一起应用于中国第二产业结构数据集和冈比亚女性三头肌皮褶厚度数据集，这导致了一些非常有趣的发现。开发了一个新的R包MultiKink来实现所提出的方法。
2020-06-14 stat.ME
Beyond Source-Level Transfer: Sample-Level Learning for High-Dimensional Quantile Regression
Renmin University of China（中国人民大学）
针对高维分位数回归的迁移学习，提出样本级迁移方法 SL-TL，通过样本选择与重要性加权利用源域可迁移样本，实现更快的收敛速率并展现稳健性能。
2026-10-08 stat.ME
Integrated Quantile RAnk Test (iQRAT) for gene-level associations
基于基因的检测是许多遗传关联研究中常用的策略。由于潜在的群体异质性，基因-环境相互作用和各种其他原因，基因-性状关联可能是复杂的。现有的基于基因的测试，如负荷和序列核关联测试（SKAT），是基于检测单个汇总统计量的差异，如平均值或方差，可能会错过或低估可能是科学上有趣的高阶关联。在本文中，我们提出了一个新的家庭的基因水平的关联测试，整合分位数排名得分过程，以更好地适应复杂的协会。得到的检验统计量具有多个优点：（1）当关联在分位数水平上是同质的时，它们几乎与现有的最佳检验一样有效，并且提高了复杂和异质关联的效率，（2）它们提供了对风险分层的有用见解，（3）检验统计量是无分布的，因此可以适应广泛的基础分布，（4）计算效率高。我们在零假设和备择假设下建立了所提出的检验的渐进性质，并进行了大规模模拟研究以研究其有限样本性能。我们将所提出的测试应用于Metabochip数据，以确定与脂质性状的遗传关联，并将结果与Burden和SKAT测试的结果进行比较。
2020-12-13 stat.ME
Spatial Scalar-on-Function Quantile Regression Model
提出含空间滞后项的空间标量对函数分位数回归模型，并用工具变量法稳健估计，模拟与环境数据验证了其预测、稳健性和可解释性优势。
2025-10-18 stat.ME
Heterogeneity-calibrated Byzantine-robust distributed composite quantile regression
Yunnan Key Laboratory of Statistical Modeling and Data Analysis, School of Mathematics and Statistics, Yunnan University（云南大学数学与统计学院）；Department of Statistics and Data Science, Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院统计与数据科学系）
针对异质性诚实站点与拜占庭工作节点，提出异质性校准鲁棒复合分位数回归方法，通过剖面校准与坐标修剪实现鲁棒估计，并提供理论保证与实验验证。
2026-09-18 stat.CO stat.ME
