fastkqr: A Fast Algorithm for Kernel Quantile Regression
Department of Statistics and Actuarial Science, University of Iowa（统计与精算科学系，爱荷华大学）；Department of Statistics, University of Connecticut（统计系，康涅狄格大学）
本文提出名为 fastkqr 的新算法，通过有限平滑算法和谱技术加速再生核 Hilbert 空间中的分位数回归计算，并扩展至数据驱动交叉惩罚以解决可解释性问题，精度匹配现有算法且速度提升最高达一个数量级。
2025-08-12 cs.LG stat.ML
Conformalized Fairness via Quantile Regression
University of Alberta（阿尔伯塔大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
在社会敏感领域，公平性越来越受到关注。虽然已经建立了丰富的文献平均公平，分位数公平的研究仍然稀少，但至关重要。为了满足巨大的需求，并倡导分位数公平的意义，我们提出了一种新的框架来学习一个实值分位数函数的公平性要求下的人口奇偶性的敏感属性，如种族或性别，从而获得一个可靠的公平预测区间。使用最优传输和功能同步技术，我们建立了理论保证的分布免费覆盖和公平分位数构造的诱导预测区间的精确公平性。提供了一个动手流水线，以将灵活的分位数回归与有效的公平性调整后处理算法相结合。我们在几个基准数据集上证明了这种方法的优越经验性能。我们的研究结果表明，该模型能够揭示在广泛的社会和医疗应用中公平性-准确性权衡的机制。
2022-10-14 cs.CY cs.LG stat.ML
Quantile Regression Under Memory Constraint
研究了大样本量$n$下的分位数回归（QR）中的推理问题，其中存储器仅能存储小批量$m$的数据.一种自然的方法是简单的分治方法，它将数据分成大小为$m$的批次，计算每个批次的局部QR估计量，然后通过平均来聚合估计量。然而，该方法仅在$n=o(m^2)$时起作用，并且在计算上昂贵。本文提出了一种计算效率高的方法，它只需要一个初始的QR估计的一小批数据，然后通过多轮的聚合连续细化估计。理论上，只要$n$在$m$中多项式增长，我们就建立了所得到的估计量的渐近正态性，并表明我们的估计量只有几轮聚合就能达到与所有数据上计算的QR估计量相同的效率。此外，我们的结果允许的情况下，维数$p$走向无穷大。所提出的方法也可以应用于解决分布式计算环境下的QR问题（例如，在大规模传感器网络中）或用于实时流数据。
2018-10-18 econ.EM stat.ME stat.ML
Quantile Least Squares: A Flexible Approach for Robust Estimation and Validation of Location-Scale Families
本文提出分位数最小二乘（QLS）方法，利用样本分位数的联合渐近正态性构造位置-尺度参数的显式稳健估计量，并建立拟合优度检验，在谷歌股票收益率数据上验证了逻辑分布假设。
2025-05-02 stat.CO stat.ME
On Quantile Regression Forests for Modelling Mixed-Frequency and Longitudinal Data
本论文扩展分位数回归森林算法，提出MIDAS-QRF和FM-QRF两种新方法，分别处理混合频率和纵向数据，并在金融风险管理和气候变化评估中验证其有效性。
2025-02-24 cs.LG stat.ME stat.ML
Deep Learning for Quantile Regression under Right Censoring: DeepQuantreg
University of Pittsburgh（匹兹堡大学）
神经网络或深度学习的计算预测算法最近在统计学以及图像识别和自然语言处理中引起了广泛关注。特别是在删失生存数据的统计应用中，用于优化的损失函数主要基于Cox模型及其变体的部分似然，以利用现有的神经网络库，如Keras，它是基于开源的TensorFlow库构建的。本文提出了一种新的神经网络应用于生存数据的右截尾分位数回归，它是由估计的截尾分布在检查函数中的逆调整。这项工作的主要目的是表明，与现有的分位数回归方法（如传统的线性分位数回归和具有总变差正则化的非参数分位数回归）相比，深度学习方法可以足够灵活，更准确地预测非线性模式，强调该方法对删失生存数据的实用性。进行了模拟研究，以生成非线性删失生存数据，并在预测精度方面将深度学习方法与现有的分位数回归方法进行比较。所提出的方法说明了两个公开的乳腺癌数据集的基因签名。该方法已内置在一个软件包中，可在\url{https://github.com/yicjia/DeepQuantreg}上免费获得。
2021-04-12 cs.LG stat.AP stat.ML
Joint Quantile Disease Mapping with Application to Malaria and G6PD Deficiency
与均值回归方法相比，基于分位数回归方法的统计分析更全面、灵活，对离群值的敏感性更低。当对不同疾病之间的联系感兴趣时，关节疾病映射对于测量它们之间的方向相关性是有用的。大多数研究通过多重相关均值回归来研究这种联系。在本文中，我们提出了一个联合分位数回归框架，多个疾病，不同的分位数水平可以考虑。我们的动机是疟疾的存在和基因缺陷G6PD之间的理论联系，其中医学科学家已经发现了高水平的G6PD和低于预期水平的疟疾之间的可能联系，最初指向G6PD的发生抑制疟疾的发生。这种联系不能用均值回归来研究，因此需要在疾病映射框架中进行灵活的关节分位数回归。我们的联合分位数疾病映射模型可以用于随机样条的协变量的线性和非线性效应，因为我们将其定义为潜在高斯模型。我们使用嵌入在R软件包INLA中的INLA框架对该模型进行贝叶斯推断。最后，我们通过分析21个非洲国家的疟疾和G6PD缺乏症的发病率，使用不同水平的链接分位数来说明模型的适用性。
2022-01-30 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
CRPS Learning
University of Duisburg-Essen（杜伊斯堡-埃森大学）
组合和聚合技术可以显着提高预测准确性。这也适用于预测分布相结合的概率预测方法。有几种时变和自适应加权方案，如贝叶斯模型平均（BMA）。然而，不同预测的质量可能不仅随时间而变化，而且在分布范围内也会有所不同。例如，一些分布预测可能在分布的中心更准确，而另一些则更擅长预测尾部。因此，我们引入了一种新的加权方法，该方法考虑了随着时间的推移和分布内的性能差异。我们讨论逐点组合算法的基础上聚合的分位数，优化连续排名的概率得分（CRPS）。在分析逐点CRPS学习的理论特性后，我们讨论了基于B样条和P样条的批量和在线学习估计技术，该技术基于分位数回归和专家建议的预测。我们证明了所提出的全自适应Bernstein在线聚合（BOA）方法逐点CRPS在线学习具有最优收敛性能。他们证实了模拟和概率预测研究欧洲排放限额（EUA）的价格。
2021-11-19 cs.LG econ.EM math.ST
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
Exploiting the Quantile Optimality Ratio to Obtain Better Confidence Intervals for Quantiles
分位数的置信区间的标准方法需要对分位数密度进行良好的估计。分位数密度的核估计的最佳带宽仅通过分位数最优比（QOR）依赖于底层的位置-尺度家族，这是我们结果的起点。虽然QOR不是无分布的，但事实证明，对于一个家庭来说最优的往往对具有相似形状的家庭非常有效。这允许人们依赖于一个单一的代表性QOR，如果一个粗略的想法的分布形状。我们探索的另一种选择是假设数据可以由高度灵活的广义λ分布（GLD）建模，已经被其他人研究过，我们表明，使用QOR估计GLD可以导致超过竞争区间。还考虑了来自独立群体的分位数之间差异的置信区间，并将其应用于心率数据。
2015-07-02 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
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
Mixture Quantiles Estimated by Constrained Linear Regression
Stony Brook University（石溪大学）
本文提出了一种通过约束线性回归估计混合分位数的方法，能够高效建模分布的中央部分和极端尾部。
2026-02-03 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
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
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
Super-Level-Set Regression: Conditional Quantiles via Volume Minimization
Sierra team, Inria Paris, France（Inria巴黎研究所）
本文提出超水平集回归，通过直接优化几何边界，解决多变量回归中构造满足条件覆盖的最小体积预测区域的挑战，替代传统密度估计方法。
2026-05-07 cs.AI cs.LG stat.AP
Positional Encoder Graph Quantile Neural Networks for Geographic Data
University of Brasília（巴西布拉斯提拉大学）；University of New South Wales, Sydney（新南威尔士大学悉尼分校）；National University of Singapore（新加坡国立大学）
针对PE-GNN预测分布校准差、不确定性量化不可靠的问题，提出结合分位数神经网络、部分单调神经块与事后重校准的PE-GQNN框架，实现了更优的预测精度与不确定性量化，且无额外计算成本。
2025-05-15 cs.AI cs.CV cs.LG
Local Quantile Regression
分位数回归是一种估计条件分位数曲线的技术。它提供了一个全面的图片的反应取决于解释变量。在灵活的建模框架中，条件分位数曲线的特定形式不是先验固定的。事实上，大多数应用程序本身并不需要特定的函数形式。这激发了局部参数而不是全局固定模型拟合方法。条件分位数曲线的非参数光滑估计需要在局部曲率和随机变异性之间取得平衡。在本文中，我们提出了一个本地模型选择技术，提供了一个自适应估计的条件分位数回归曲线在每个设计点。理论结果表明，所提出的自适应过程执行良好的预言，这将最大限度地减少当地的估计风险的问题。我们说明了一个广泛的模拟研究的过程中的性能，并考虑了几个应用程序：香港股市的尾部相关性分析和温度动态的风险因素的分布分析。
2012-08-30 math.ST stat.TH
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
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
Modeling tail risks of inflation using unobserved component quantile regressions
提出了条件异方差时变参数（TVP）分位数回归（QR）模型的贝叶斯推断方法。我使用数据增强计划，使模型条件高斯和开发一个有效的吉布斯采样算法。通过灵活的动态收缩先验实现高维参数空间的正则化。一个简单的版本的TVP-QR的基础上未观察到的组件模型被应用于动态跟踪分位数的通货膨胀率分布在美国，英国和欧元区。在样本外的预测练习中，我发现所提出的模型具有竞争力，并且对于高阶和尾部预测表现得特别好。对所得到的预测分布的详细分析表明，它们有时是偏斜的，偶尔会出现厚尾。
2021-10-18 econ.EM stat.AP
Quantile autoregressive conditional heteroscedasticity
本文提出一种基于分位数回归过程框架的条件异方差时间序列模型，该模型在不同分位数水平下提供变化结构，并包含GARCH模型作为特例，通过自加权QR和CQR估计量处理重尾分布并外推高分位数，具有渐近性质，模拟和实证验证了其有效性。
2023-11-13 stat.ME
Multi-Quantile Estimators for the parameters of Generalized Extreme Value distribution
本文提出多分位数估计量用于广义极值分布参数估计，其渐近正态且一致，方差随分位数增加而减小，可接近Cramér-Rao下界，为极值建模提供灵活高效方案。
2025-02-27 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
Nested conformal prediction and quantile out-of-bag ensemble methods
Carnegie Mellon University（卡内基梅隆大学）
共形预测是一种流行的工具，用于为分类和回归问题提供有效的预测集，而不依赖于对数据的任何分布假设。虽然传统的描述共形预测开始与不一致的分数，我们提供了一个替代的（但等效的）视图，开始与嵌套集的序列，并校准它们找到一个有效的预测集。嵌套框架包含了所有的不合格分数，包括最近提出的基于分位数回归和密度估计的建议。虽然这些想法最初是基于样本分割得出的，但我们的框架无缝地将其扩展到其他聚合方案，如交叉共形，刀切+和袋外方法。我们使用的框架，以获得一个新的算法（QOOB，发音立方体），结合了四个想法：分位数回归，交叉整合，合奏方法和袋外预测。我们开发了一个计算效率高的实现交叉共形，这也是使用QOOB。在详细的数值研究中，QOOB在所有模拟和真实数据集上的表现都是最好的或接近最好的。QOOB代码可在https://github.com/aigen/QOOB上获得。
2022-05-09 cs.AI math.ST stat.ME
AutoPQ: Automating Quantile estimation from Point forecasts in the context of sustainability
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对智能电网概率预测的三大挑战，提出AutoPQ方法，通过条件可逆神经网络从点预测生成分位数预测，自动选择基础方法和优化超参数，在提升预测性能的同时减少计算量与环境影响。
2024-11-30 cs.LG eess.SP stat.ML
Dual Regression
我们提出了对偶回归作为替代的分位数回归过程的全球估计的条件分布函数在最小的假设。对偶回归提供了分位数回归过程的所有解释能力，同时避免了修复分位数回归在实践中经常产生的相交条件分位数表面的需要。我们的方法引入了一个数学规划表征的条件分布函数，在其最简单的形式，是一个双重计划的同时估计线性位置-尺度模型。我们应用我们的一般特征的规格和估计的灵活类的条件分布函数，并提出相应的经验对偶回归过程的渐近理论。
2018-09-23 econ.EM stat.AP stat.ME
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
Additive quantile regression for clustered data with an application to children's physical activity
加法模型是灵活的回归工具，可以处理线性和非线性项。后者通常通过平滑样条来建模。加性混合模型扩展了加性模型，以在根据聚类设计对数据进行采样时包括随机项（例如，纵向）。当重复测量可用时，这些模型可用于研究人类的生长，某些疾病机制和能量消耗等现象。本文提出了一种新的分位数回归的可加混合模型。我们的方法的动机是应用到身体活动的基础上，超过50万加速度计测量的儿童在英国千年队列研究的数据集。在模拟研究中，我们评估了现有的替代方案所提出的方法。
2019-06-07 stat.ME
Semiparametric Copula Quantile Regression for Complete or Censored Data
当面对多元协变量时，一般的半参数回归技术可以提出灵活的模型，这些模型不受维数灾难的影响。在这项工作中，半参数Copula为基础的估计条件分位数完全或右删失数据进行了研究。在精神上，该方法扩展了Noh et al.（2013）和Noh et al.（2015）的近期工作，因为主要思想在于根据多变量copula和边缘分布适当定义分位数回归。事先估计后者和简单的插件导致一个容易实现的估计表示，无论上下文中有或没有审查，作为一个加权分位数的观察到的响应变量。此外，与文献中的初始建议相反，研究了多变量Copula密度的半参数估计方案，其动机是纯参数方法的可能缺点，并由回归上下文驱动。由此得到的分位数回归估计具有在分位数水平上自动单调的有价值的性质，并且在经典的正则条件下得到了完全数据和删失数据的渐近正态性。最后，数值例子以及实际数据的应用，以说明所提出的方法的有效性和有限样本性能。
2016-03-24 stat.ME
Factorisable Multitask Quantile Regression
提出了一种具有因子结构的多元分位数回归模型，用于研究具有多个感兴趣响应的数据。因子结构可以随分位数水平的变化而变化，这使得我们的框架比经典的因子模型更具灵活性。该模型估计与核范数正则化，以适应高维数据，但所产生的优化问题只能有效地解决了近似的方式，现成的优化方法。当经验风险是非光滑的或数值过程涉及昂贵的子程序（如奇异值分解）时，经常会出现这种情况。为了保证近似估计量能准确估计模型，建立了近似估计量误差的非渐近界。为了实现，提出了一种可证明边缘化近似误差的数值方法。通过蒙特卡罗实验和金融应用程序，涉及大量的资产回报证明了我们的模型和建议的数值程序的优点。
2020-01-18 stat.CO stat.ME
The Exponential Flexible Weibull Extension Distribution
本文研究了一种新的三参数模型-指数柔性威布尔扩展（EFWE）分布，它具有浴缸形的风险率。得到了它的一些统计性质，包括普通矩和不完全矩、分位数和母函数、信度和顺序统计量。用极大似然法估计模型参数，导出了观测Fisher信息矩阵。我们说明了所提出的模型的实用性的应用程序，以真实的数据。
2016-05-26 math.ST stat.TH
Average quantile regression: a new non-mean regression model and coherent risk measure
本文提出创新性概念 Average Quantile Regression (AQR)，一种兼具平滑性、同单调可加性并考虑尾部损失严重性的通用非参数回归模型与一致性风险度量，并验证了其在高维数据分析与风险管理中的有效性。
2025-06-29 math.ST stat.TH
OCEAN: Flexible Feature Set Aggregation for Analysis of Multi-omics Data
本文提出 OCEAN，将同步富集分析 SEA 扩展至多组学数据，支持任意两组基因组学数据集间所有双向特征集的灵活检验，并引入两种适配双向结构的新错误率，在乳腺癌和结肠癌数据中验证了其功效与实用性。
2024-10-25 stat.ME
Quantile based modelling of diurnal temperature range with the five-parameter lambda distribution
温度日较差是气候科学中的一个重要变量，可以提供有关气候变率和气候变化的信息。昼夜温差的变化可能对水文、人类健康和生态等产生影响。然而，缺乏关于模拟昼夜温度范围的统计文献。在本文中，我们建议使用五参数λ（FPL）分布模型的昼夜温度范围的分布。此外，为了模拟昼夜温度范围与解释变量，我们提出了一个分布分位数回归模型，结合分位数回归与边际建模使用FPL分布。使用分位数方法进行推断。该模型适合30年的每日观测日温度范围从112个气象站在挪威南部。灵活的FPL分布表现出很大的希望作为一个模型的昼夜温度范围，并表现良好的竞争模式。分布分位数回归模型拟合日较差数据使用地理，地形和气候解释变量。它表现良好，并捕捉了挪威昼夜温差分布的大部分空间变化。
2022-01-24 stat.AP
Existence and consistency of weighted maximum likelihood estimator for extreme quantile regression
针对极端条件分位数估计中的非线性与尾部外推难题，本文结合块最大值理论与广义随机森林，提出加权最大似然估计法，并证明其存在性与一致性，在模拟和股票投资组合损失数据上验证了有效性。
2026-10-07 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
Function-on-function linear quantile regression
在这项研究中，我们提出了一个功能上功能的线性分位数回归模型，允许一个以上的功能预测建立一个更灵活和强大的方法。该模型首先通过函数主成分分析范式在估计阶段转换到有限维空间。然后，它近似使用估计的功能主成分函数，和分位数回归模型的估计参数的主成分得分的基础上构建。此外，我们提出了一个贝叶斯信息准则，以确定在功能主成分分解中使用的截断常数的最佳数量。此外，一个逐步向前的程序和贝叶斯信息准则用于确定显着的预测因子，包括在模型中。我们采用非参数自举过程来构建响应函数的预测区间。通过几个蒙特卡罗实验和一个经验数据实例对所提出方法的有限样本性能进行了评估，并将所提出方法产生的结果与现有模型的结果进行了比较。
2021-11-09 stat.AP stat.ME
Monitoring Networked Applications With Incremental Quantile Estimation
网络应用程序具有驻留在不同计算机上的软件组件。例如，电子邮件具有数据库、处理和用户界面组件，这些组件可以分布在网络上，并由不同位置或工作组中的用户共享。端到端性能和可靠性度量描述了这些用户群体所体验到的软件质量，同时考虑了管道中的所有软件组件。每个用户只生成一些需要了解组的应用程序质量的数据，因此组性能指标是通过组合每个终端计算机定期（自动）发送到中央服务器的汇总统计数据来获得的。组质量度量通常关注中位数和尾部分位数，而不是平均值。然而，分布式分位数估计是具有挑战性的，特别是当仅为了计算质量度量而在网络中传递大量数据时。本文介绍了一种增量分位数（IQ）估计方法，该方法是专为性能监测在任意级别的网络聚合和时间分辨率时，只有有限的数据量可以被传输。提供了实际和模拟数据的应用。
2007-08-02 stat.ME
Calibrated Forecasts of Quasi-Periodic Climate Processes with Deep Echo State Networks and Penalized Quantile Regression
本文提出用深度回声状态网络与惩罚分位数回归预测海洋驱动的准周期气候事件，并通过快速集合方法校准预测不确定性，从而提升物理模型难以刻画过程的预测能力。
2023-08-08 physics.ao-ph stat.AP
The Marshall-Olkin Flexible Weibull Extension Distribution
本文介绍了一种新的推广的柔性韦布尔分布的三参数模型称为马歇尔-奥尔金柔性威布尔扩展（MO-FWE）分布，它表现出浴缸形的风险率。研究了它的统计特性，包括分位数函数的偏度和峰度、众数、r阶矩和矩母函数以及顺序统计量。我们采用极大似然法估计模型参数，并导出了观测Fisher信息矩阵。我们说明了所提出的模型的实用性的应用程序，以真实的数据。
2016-09-25 math.ST stat.TH
Quantile Regression Modeling of Recurrent Event Risk
慢性疾病的进展通常表现为随着时间的推移反复发生疾病相关事件。描述这种复发事件风险的异质性可以为指导定制的疾病管理提供有价值的科学见解。在本文中，我们提出了一个新的建模框架，复发事件的数据，这使得一个灵活的和强大的表征，通过分位数回归，同时容纳观察到的协变量和不可观察的脆弱性的复发事件的个人倍增风险。建议的建模不需要分布规格的不可观察的弱点，同时允许探索动态协变量的影响。我们开发的估计和推理程序所提出的模型，通过一种新的适应原则的条件得分。证明了估计量的一致相合性和弱收敛性。大量的仿真研究表明，所提出的方法具有令人满意的有限样本性能。我们通过应用于糖尿病临床试验来说明新方法的实际效用，该试验探索了2型糖尿病患者低血糖的风险模式。
2018-11-15 stat.ME
A robust mixed-effects quantile regression model using generalized Laplace mixtures to handle outliers and skewness
Syneos Health；University of the Free State（自由州大学）；KU Leuven（荷语鲁汶大学）；University of Stellenbosch（斯坦陵布什大学）
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
Partially linear additive quantile regression in ultra-high dimension
本文考虑了一个分析高维异质数据的灵活半参数分位数回归模型。该模型具有以下特点：（1）通过考虑不同的条件分位数，可以得到一个更完整的响应变量的条件分布的图片给定高维协变量。(2)在不同的分位数级别上，允许稀疏性级别不同。(3)部分线性加性结构适应非线性并避免维数灾难。(4)它对重尾分布自然具有鲁棒性。本文采用B样条基函数逼近非线性分量。我们首先研究了当非零分量事先已知且线性部分的协变量个数发散时该模型下的估计。然后，我们研究了同时变量选择和估计的非凸惩罚估计。在松弛条件下，我们得到了一类具有超高维协变量的非凸罚函数的预言性质。为了解决非光滑损失函数、非凸罚函数和非线性成分的存在等问题，我们将最近发展起来的凸差分方法与现代经验过程技术相结合.蒙特卡罗模拟和应用程序的微阵列研究表明，所提出的方法的有效性。我们还讨论了如何为一个单一的分位数的方法可以扩展到同时变量选择和估计在多个分位数。
2016-01-22 math.ST stat.TH
Assumption-Lean Quantile Regression
针对传统分位数回归在推断暴露效应时存在的模型误设下估计失效、变量选择引入偏差与不确定性的问题，提出基于部分线性分位数回归与有效影响函数的稳健估计方法，可纳入数据自适应技术，经模拟与医疗费用数据验证有效。
2024-04-17 stat.ME
Quantile absolute deviation
中位绝对偏差（MAD）是一种流行的统计离散度的稳健度量。然而，当它被应用于非参数分布（特别是多峰，离散，或重尾），许多统计推断的问题出现。即使将其应用于与正态性略有偏差的分布并且这些问题不是实际的，MAD的高斯效率也只有37%，这并不总是足够的。在本文中，我们引入分位数绝对偏差（QAD）作为MAD的推广。这种离散度的度量为分析非参数分布的性质提供了一种灵活的方法。它还允许控制鲁棒性和统计效率之间的权衡。我们使用基于给定宽度的最高密度区间的修剪Harrell-Davis中值估计作为互补的中值估计，与样本中位数和与QAD匹配的崩溃点相比，该中值估计提供了增加的有限样本高斯效率。根据经验，我们建议使用两种新的离散度测量方法，称为标准QAD和最佳QAD。它们分别给出54%和65%的高斯效率，击穿点分别为32%和14%。
2022-08-29 stat.ME
Semi-Supervised Quantile Estimation: Robust and Efficient Inference in High Dimensional Settings
针对半监督高维分位数估计场景，提出结合灵活插补策略与去偏步骤的半监督估计量，兼具鲁棒性与效率提升，理论与实验均验证其性能优势。
2024-08-14 math.ST stat.ME stat.ML
Kullback-Leibler excess risk bounds for exponential weighted aggregation in Generalized linear models
本文研究广义线性模型（GLMs）中的稀疏聚合问题，提出指数加权聚合方案，证明其对Kullback-Leibler风险产生首项常数为1的精确oracle不等式且达到极小极大最优速率，并建立超额风险的高概率界。
2025-04-14 math.ST stat.ML stat.TH
Distributed Stochastic Smoothing ADMM for Penalized Quantile Regression
Southern University of Science and Technology（南方科技大学）；Yunnan University（云南大学）
针对大型分布式数据下惩罚分位数回归的计算难题，提出分布式随机平滑ADMM算法，通过Huber平滑检查损失实现并行计算，在同质与异质数据分区下均表现良好，阐明了相关权衡关系。
2026-08-11 stat.CO
Quantile regression under dependent censoring with unknown association
针对生存数据右删失中相依性假设不符实际的问题，本文首次结合参数copula模型与增广非对称拉普拉斯分布构建分位数回归模型，证明参数性质并通过模拟与肝移植数据验证其性能。
2024-10-07 math.ST stat.TH
UTOPIA: Universally Trainable Optimal Prediction Intervals Aggregation
针对预测区间方法选择难题，提出基于线性/凸规划的UTOPIA通用聚合策略，可在保证覆盖率的同时维持较小预测带宽度，有理论支撑且经合成及真实数据集验证有效。
2024-07-14 math.ST stat.ME stat.ML
Hierarchical approaches for flexible and interpretable binary regression models
二元回归模型在几乎每个科学领域都是普遍存在的。通常，传统的广义线性模型无法捕捉概率表面的变化，从而产生的二进制观测和新的方法是必需的。这产生了大量的文献，包括各种应用程序的二元回归模型。我们描述了一种新的组织的推广传统的二元回归方法的基础上熟悉的三部分结构的广义线性模型（随机组件，系统组件，链接函数）。这种新的视角既有利于现有方法的比较，也有利于开发新颖、灵活的模型，这些模型具有可解释的参数，可以捕获特定于应用程序的数据生成机制。我们使用我们提出的组织结构来讨论一些问题与现有的模型的基础上，二进制数据的分位数回归。然后，我们使用该框架开发了几个新的二进制回归模型，专为欧洲红松鼠（松鼠）的占用数据。
2019-05-13 stat.AP stat.ME
