Non-Asymptotic Analysis of Efficiency in Conformalized Regression
EPFL（洛桑联邦理工学院）；Shanghai University of Finance and Economics（上海财经大学）
本文研究了符合化回归的非渐近效率界，通过SGD训练分位数和中位数回归，建立了预测集长度与理想区间的偏差界，揭示了不同误覆盖水平下的收敛率相变。
2026-03-05 cs.LG stat.ML
Conformalized Selective Regression
University of Notre Dame（圣母大学）
针对选择性回归中传统不确定性代理忽视模型偏差的问题，本文提出基于 conformal prediction 的 conformalized selective regression，并建立标准化评估框架，实验表明其优于多个最先进基线。
2024-10-28 cs.LG stat.ML
Efficiency of conformalized ridge regression
保形预测是一种产生预测集的方法，可以应用于各种预测算法之上。该方法在标准IID假设下具有保证的覆盖概率，而不管底层算法的假设（通常限制性更大）是否满足。然而，为了使该方法真正有用，希望在满足基础算法的假设的情况下，与基础算法相比，适形预测器在效率上损失很少（而作为适形预测器，它具有更强的有效性保证）。在本文中，我们探讨在贝叶斯岭回归的情况下，这种额外的要求是满足的程度，我们发现，渐近共形预测集不同的岭回归预测区间时，标准的贝叶斯假设得到满足。
2014-04-08 cs.LG stat.ML
Conformal Graph Prediction with Z-Gromov-Wasserstein Distances
本文提出一种基于Z-格罗莫夫瓦瑟斯坦距离的图值输出符合性预测框架，通过融合格罗莫夫-瓦瑟斯坦方法实现图结构的置换不变比较，并引入Score Conformalized Quantile Regression方法以适应复杂输出空间。
2026-07-20 cs.LG stat.ML
Conformalized Adaptive Forecasting of Heterogeneous Trajectories
University of Southern California（南加州大学）
针对运动规划中异构轨迹行为不确定性难可靠估计的问题，提出融合多类共形预测与异方差处理技术的共形化自适应预测方法，可生成带有限样本保证的高信息量轨迹预测带。
2024-05-15 cs.LG stat.ML
Conformalized Regression for Continuous Bounded Outcomes
University College London（伦敦大学学院）
针对连续有界结果的回归问题，提出基于变换回归模型的共形预测区间，使用分位数残差得分处理异方差性和边界不对称性，并证明边际有效性和渐近条件有效性。
2026-10-01 cs.LG stat.ME stat.ML
Optimizing Hyperparameters with Conformal Quantile Regression
Amazon Web Services（亚马逊云科技）
针对现有超参数优化中高斯过程代理模型噪声假设过强的问题，提出基于共形化分位数回归的代理建模方法，并设计多保真度聚合技术，实现更快收敛且性能优于传统方法。
2023-05-05 cs.LG stat.ML
Distribution free uncertainty quantification in neuroscience-inspired deep operators
Indian Institute of Technology Delhi（印度理工学院德里分校）；Yardi School of Artificial Intelligence (YScAI)（亚迪人工智能学院）；Department of Applied Mechanics（应用力学系）
针对脉冲神经网络等能效深度学习模型预测需不确定性度量的问题，提出结合随机先验网络、拆分共形预测及高斯过程回归的CRP-O框架，集成VSWNO后在偏微分方程任务上的UQ效果优于多个基线模型。
2024-12-12 cs.LG stat.ML
CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression
Université Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK, France（格勒诺布尔阿尔卑斯大学，法国国家信息与自动化研究所，法国国家科学研究中心，格勒诺布尔INP，LJK，法国）；The University of Manchester, UK（曼彻斯特大学，英国）；Department of Computer Science（计算机科学系）
CREDO通过结合可信方法和置信预测，提供可解释的回归预测区间，兼顾覆盖性和稀疏适应性。
2026-03-06 cs.LG stat.ME stat.ML
An Efficient Multi Quantile Regression Network with Ad Hoc Prevention of Quantile Crossing
University of Kassel（卡塞尔大学）
本文提出了SCQRNN模型，通过在训练中集成ad hoc排序机制有效防止分位数交叉，在降低计算复杂度并加快收敛速度的同时，为多领域自感知系统提供了更可靠的预测不确定性评估。
2024-05-31 cs.LG stat.ML
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
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
Localized Conformal Multi-Quantile Regression
Department of Biostatistics, Georgetown University（乔治城大学生物统计学系）
本文提出LCMQR框架，结合多分位信息与核定位，构建高效适应性预测区间，并通过GC-LCMQR实现组级覆盖，提升预测效率与有效性。
2025-11-30 cs.AI cs.LG stat.ME
Uniform Inference for High-dimensional Quantile Regression: Linear Functionals and Regression Rank Scores
对于维数远大于样本量的模型，假设检验只有在成功地消除初始估计偏差后，才能像经典的学生化检验那样进行公式化。去偏估计量的理论可以在固定分位值的分位数回归模型的背景下发展。然而，通常需要基于分位数回归过程来制定测试，因为这会导致更稳健的测试和更稳定的置信集。此外，分位数回归中的推断需要估计所谓的稀疏函数，其取决于误差的未知密度。在本文中，我们考虑一个去偏的一致测试问题的方法。我们开发了高维回归秩分数，并展示了如何使用它们来估计稀疏函数，以及如何使它们适应涉及分位数回归过程的推断。此外，我们开发了一个Kolmogorov-Smirnov测试的位置移动的高维模型和置信集，是一致有效的许多分位数值。主要的技术成果是发展的Bahadur表示的去偏估计，是均匀的分位数和均匀收敛的分位数过程的布朗桥过程，这是独立的利益。模拟研究表明，我们的程序的有限样本特性。
2017-02-20 stat.ML
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
Conformalized Physics-Informed Weak Regression for Parameter Estimation in Epidemic Models
Technical University of Denmark（丹麦技术大学）
该研究提出物理信息弱回归（PIWR）方法，结合拆分保形预测实现流行病模型参数的高精度估计，在多个基准测试中精度远超现有方法，且不确定性区间覆盖率良好、计算效率高。
2026-10-15 cs.LG math-ph math.MP
Conformalized Polynomial Chaos Expansion for Uncertainty-aware Surrogate Modeling
Centrum Wiskunde & Informatica（荷兰数学与计算机科学中心）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种符合化多项式混沌展开方法，用于在代理建模中量化预测不确定性，通过整合jackknife预测并利用线性特性提升效率。
2026-10-26 stat.CO stat.ME stat.ML
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
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
Gaussian Process Quantile Regression using Expectation Propagation
Aston University（阿斯顿大学）
直接分位数回归涉及估计响应变量的给定分位数作为输入变量的函数。我们提出了一个新的直接分位数回归的框架，其中一个高斯过程模型的学习，最小化预期的倾斜损失函数。在学习中所需的集成是不容易分析的，所以为了加快学习，我们采用期望传播算法。我们描述了这项工作如何与其他分位数回归方法，并适用于合成和真实数据集的方法。该方法被证明是有竞争力的最先进的方法，同时允许充分利用高斯过程概率框架。
2012-06-27 cs.LG stat.AP 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
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
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
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
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
Non-crossing convex quantile regression
Aalto University School of Business（阿尔托大学商学院）；Department of Environment and Geography, University of York（约克大学环境与地理系）
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
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
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
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
Regional economic convergence and spatial quantile regression
\b{eta} -收敛在欧洲地区的存在是需要分析的重要问题。本文采用分位数回归方法分析经济收敛性。虽然以前的工作已经在国家层面上进行了分位数回归，我们专注于187个欧洲NUTS 2地区的1981-2009年期间，并使用空间分位数回归占空间依赖性。
2019-06-11 econ.EM stat.AP
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
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
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
Yildiz Technical University（伊斯坦布尔耶尔德兹理工大学）；Marmara University（马尔马拉大学）；Macquarie University（麦考瑞大学）
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
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
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
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
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
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
