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
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
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
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
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
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
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
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
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
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
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
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
Jackknife Model Averaging for Composite Quantile Regression
模型平均考虑了模型的不确定性，是模型选择的替代方法。本文提出了复合分位数回归的一个频率论模型平均估计。近年来，对这些主题的研究已作为一种单独的方法增加，但没有研究将它们结合起来进行调查。我们采用删除一交叉验证方法来估计模型的权重，并证明了刀切模型平均估计是渐近最优的样本外复合最终预测误差最小化。仿真结果表明，我们的估计良好的有限样本性质，并比较它与常用的模型选择和平均方法。将该方法应用于股票收益率数据和工资数据的分析，取得了较好的效果。
2019-10-27 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
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
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
Optimal subsampling for functional composite quantile regression in massive data
针对海量函数型数据计算受限问题，本文提出基于函数L-最优性准则的复合分位数回归最优子抽样方法，并证明其优于均匀子抽样。
2024-06-28 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
Regularization Strategies for Quantile Regression
Google Research（谷歌研究院）
我们研究了不同的方法来正则化分位数回归时预测的一个子集的分位数或完整的逆CDF。我们表明，即使只预测一个特定的分位数时，最大限度地减少预期的弹球损失的连续分布的分位数是一个很好的正则化。对于预测多个分位数，我们建议通过使用将分位数视为单调输入特征的深度网格网络来实现非交叉分位数的经典目标，并且我们讨论了为什么其他特征的单调性是分位数回归的适当正则化器。我们表明，晶格模型使正则化的预测分布的位置-规模的家庭。最后，我们建议应用速率约束来改进特定兴趣子集上的分位数预测的校准，并提高公平性度量。我们展示了我们的贡献模拟，基准数据集，和真正的分位数回归问题。
2021-02-09 cs.LG stat.ME stat.ML
On quantile residuals in beta regression
Beta回归通常用于对假设开放区间（0，1）上的值的因变量与一组预测变量之间的关系进行建模。贝塔回归中的一个重要挑战是找到分布很好地近似于标准正态分布的残差。之前的两个作品比较了beta回归中的残差，但作者没有包括分位数残差。利用蒙特卡罗模拟技术，研究了Beta回归中某些残差在几种情形下的行为。总体而言，结果表明，在大多数情况下，分位数残差的分布比其他残差更接近标准正态分布。三个应用说明了分位数残差的有效性。
2017-04-10 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
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 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
Hydrological post-processing for predicting extreme quantiles
利用分位数回归算法进行水文后处理是评估水文预报不确定性的主要手段。尽管如此，传统的大样本理论的分位数回归不适用于足够远的尾部的概率分布的因变量。为了克服这一局限性，可能是至关重要的，当利益在于洪水事件，水文后处理，通过极值分位数回归在这里介绍了水文模型的响应估计的极端分位数。总之，新的水文后处理方法利用极值理论的Hill估计量的性质来外推分位数回归的预测到高分位数。作为一个概念的证明，新方法在这里进行测试，在处理后的每日径流模拟提供了三个基于过程的水文模型为180个流域在美国（CONUS），并进一步比较传统的分位数回归。通过这种大规模的比较，证明了与使用极值分位数回归的水文后处理相比，使用传统分位数回归的水文后处理严重低估了高分位数（在分位数水平0.9999），尽管这两种方法在较低分位数（在分位数水平0.9700）是等效的。此外，研究表明，在相同的背景下，极端分位数回归估计高预测分位数的效率平均而言在三个基于过程的水文模型的大样本研究中是等效的。
2023-01-11 physics.ao-ph 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
A Bayesian Hurdle Quantile Regression Model for Citation Analysis with Mass Points at Lower Values
分位数回归提供了对所有点的因变量的位置、尺度和形状的影响的完整图片，而不仅仅是平均值。我们重点讨论了利用分位数回归进行引文计数分析的两个挑战：不连续性和在较低计数下的大量点。King和Song（2019）提出了一种用于计数数据的贝叶斯障碍分位数回归模型，该模型的实质性质量点为零。它使用分位数回归对非零数据进行建模，使用逻辑斯谛回归对零与非零的概率进行建模。我们发现，大量的低引用数的质量点几乎肯定也会影响参数估计的分位数回归模型的一部分，类似于一个质量点为零。我们通过将障碍点移过主要质点来更新King和Song模型。该模型为中度到高度引用的文章提供了更准确的分位数回归，特别是在对应于刚好超过质量点的值的分位数处，并且能够估计因素影响文章被低引用的可能性的程度。为了说明这种方法的潜力，它被应用到模拟引用计数和Scopus的数据。
2021-07-10 cs.DL stat.ME
A Data-Adaptive Factor Model Using Composite Quantile Approach
本文提出采用复合分位数策略的数据自适应因子模型DAFM，可自适应捕捉高维数据完整分布结构，配套估计算法、理论性质及因子数确定方法，经模拟和真实数据验证效果优于现有因子模型。
2025-10-01 stat.ME
Improving precipitation forecasts using extreme quantile regression
针对极端降水预报分位数的估计问题，提出了一种极值指标为常数的非参数回归模型。利用局部线性分位数回归和极值理论的外推技术，我们发展了一个估计的条件分位数对应于极高的概率水平。我们建立了估计的一致相合性和渐近正态性。在模拟研究中，我们研究我们的估计有限样本的性能相比，假设线性分位数的方法。在荷兰的降水数据集，这些估计有更大的预测技能相比，集合预报的数值天气预报模型提供的上部成员。
2019-03-05 stat.AP 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
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
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
Posterior Inference for Quantile Regression: Adaptation to Sparsity
分位数回归是一种功能强大的数据分析工具，可适应异质协变量-响应关系。我们发现，通过耦合适当的收缩先验的非对称拉普拉斯工作似然，我们可以提供后验推理，自动适应可能的稀疏性分位数回归分析。在对后验方差进行适当调整后，后验推断在异质性下提供了渐近有效的推断。此外，所提出的方法导致Oracle渐近有效性的积极（非零）的分位数回归系数和超有效的非积极的。通过避免需要追求二分变量选择，贝叶斯计算框架证明了理想的推理稳定性调整参数选择。我们的工作有助于揭示贝叶斯计算方法在分位数回归的频率论推断中的价值。
2021-11-01 math.ST stat.ME stat.TH
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
