Nonparametric Screening for Additive Quantile Regression in Ultra-high Dimension
针对超高维非参数可加分位数回归中边缘筛选易漏选或误选协变量的问题，提出一种条件非参数分位数筛选程序，能以高概率准确识别所有相关协变量。
2024-04-24 stat.ME
Global quantile regression
University of South Bohemia（南波希米亚大学）；Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Natural Resources Institute Finland (Luke)（芬兰自然资源研究所）
本文提出一种全局分位数回归方法，用于检验协变量对整个数据分布的影响，结合排列和全局包络检验，适用于不同条件下的极端分位数分析。
2023-09-09 stat.ME
False Discovery Rate Control for High-Dimensional Networks of Quantile Associations Conditioning on Covariates
受基因共表达模式分析的启发，我们提出了一种新型的基于样本分位数的偶然（squac）统计量来推断基于协变量的分位数关联。它具有增强的灵活性，可以处理任意分布的变量和以协变量为条件的复杂关联模式。我们首先推导出它的渐近零分布，然后开发了一个基于squac的多重检验程序，同时检验所有$p(p-1)/2$对的协变量条件下的一对变量之间的独立性。这里，$p$是结局的长度，可能超过样本量。该测试过程不需要复位或扰动，因此计算效率高。通过理论和数值实验证明了该测试方法渐近控制错误发现率（\FDR）。当存在复杂的关联情况时，该方法优于所有的替代方法。将该方法应用于一个胃癌数据，成功地推断出了早期和晚期患者的基因共表达网络。它确定了与癌症存活率相关的网络中的更多变化。我们将我们的方法推广到结果的长度和协变量的长度都超过样本量的情况，并证明了渐近理论仍然成立。
2018-08-23 stat.ME
A lack-of-fit test for quantile regression models with high-dimensional covariates
提出一种适用于高维协变量的分位数回归模型拟合优度检验，基于残差线性投影累积和，采用野生自助法近似临界值，模拟和实例验证了其良好性能。
2015-02-20 stat.ME
Variable Selection for Additive Partial Linear Quantile Regression with Missing Covariates
标准分位数回归模型假设在感兴趣的分位数处存在线性关系，并且观察到所有变量。我们通过考虑部分线性模型来放松这些假设，同时允许缺失线性协变量。为了处理由缺失数据引起的潜在偏差，我们提出了一个加权的目标函数，使用逆概率加权。我们的工作检查估计使用参数和非参数估计的缺失概率。对于存在缺失数据的线性项的变量选择，我们考虑使用非凸惩罚MCP或SCAD的惩罚和加权目标函数。在标准条件下，我们证明了惩罚估计的Oracle属性，包括情况下，$p>>n$。理论上的挑战包括处理缺失数据和部分线性模型，同时使用非光滑损失函数和非凸罚函数。使用蒙特卡罗模拟和我们的方法进行评估的方法的性能被施加到模型的时间量清醒的患者离开康复中心。
2016-06-04 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
Quantile Regression with Multiple Proxy Variables
由于多个数据源的可用性，数据集成变得越来越流行。本研究考虑了当关键协变量在多个数据集上具有多个代理时的分位数回归估计。在一个统一的估计过程中，所提出的方法采用了多个代理，有各种关系的未观察到的协变量。所提出的方法允许推断的分位数函数和未观察到的协变量。此外，它不需要分位数函数的线性，同时，容纳线性和非线性代理。模拟研究表明，这种方法成功地集成了多个代理，并揭示了广泛的非线性数据的分位数关系。所提出的方法适用于从韩国统计局提供的家庭财务和生活条件调查中获得的行政数据，以具体说明在存在多种收入记录的情况下资产与工资收入之间的关系。
2022-10-22 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
Correcting Measurement Error and Zero Inflation in Functional Covariates for Scalar-on-Function Quantile Regression
Indiana University School of Public Health（印第安纳大学公共卫生学院）；Oregon State University（俄勒冈州立大学）；Marmara University（马尔马拉大学）；Texas A&M University School of Public Health（德克萨斯农工大学公共卫生学院）；Columbia University Mailman School of Public Health（哥伦比亚大学米尔曼公共卫生学院）
本文提出了一种校正功能协变量中测量误差和零膨胀问题的新方法，通过有效性指标和联合分位数回归提高了估计准确性。
2026-02-05 stat.ME
High-Dimensional Extreme Quantile Regression
本文针对高维协变量场景提出新的极端条件分位数估计方法，建立了渐近性质，并通过模拟和汽车保险数据验证了其在极端索赔估计与变量选择上的有效性。
2024-11-21 stat.ME
A Process of Dependent Quantile Pyramids
本文提出依赖分位金字塔过程的贝叶斯非参数框架，用协变量空间上的随机过程替代标量变量，实现非线性分位回归并自动保证曲线不交叉，通过模拟和气旋强度数据验证其性能。
2023-11-29 stat.ME
Bayesian Nonparametric Instrumental Variable Regression Approach to Quantile Inference
本研究扩展了贝叶斯非参数工具变量回归模型，以确定协变量对响应变量条件分位数的结构效应。误差分布是使用二元正态分布的Dirichlet混合物非参数建模的。均值函数包括以加法方式使用样条函数表示的协变量的平滑效应。第二阶段误差的条件方差也使用样条函数建模，使得它随协变量平滑地变化。因此，所提出的模型允许相当大的灵活性，在形状的分位数函数，同时校正的内消效应。该模型的后验推理是基于马尔可夫链蒙特卡罗方法，不需要大都会黑斯廷斯更新。使用模拟和真实的数据在日本的死亡率在两次世界大战期间的方法进行了演示。
2016-08-29 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
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
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 Convex Programming Solution Based Debiased Estimator for Quantile with Missing Response and High-dimensional Covariables
本文研究了当响应有随机缺失时，具有高维协变量的响应分位数的估计问题。一些现有的方法定义响应分位数的根n相合估计量。但这些方法需要正确的规格的条件分布的响应给定的协变量和选择概率函数。本文通过求解一个凸规划问题，提出了一种去偏方法。在给定条件分布函数的正确参数模型的情况下，所提出的方法得到的估计量是渐近正态的，而不需要指定和估计选择概率函数。此外，所提出的估计是渐近更有效的比现有的估计。所提出的方法进行了评估，通过模拟研究，并说明了一个真实的数据例子。
2021-06-23 stat.ME
Adjusting for bias due to measurement error in functional quantile regression models with error-prone functional and scalar covariates
针对分位数回归中函数型与标量协变量的测量误差偏差研究不足的问题，提出基于SIMEX和带重复测量的混合效应回归的校正方法，经模拟验证有限样本性质并通过真实数据集示例。
2024-04-15 stat.ME
Regression-Adjusted Estimation of Quantile Treatment Effects under Covariate-Adaptive Randomizations
协变量自适应随机化（CAR）田间试验的数据集通常包含额外的协变量，除了层指标。我们建议通过辅助回归将这些额外的协变量纳入CAR下无条件分位数处理效应（QTE）的估计和推断中。我们建立了回归调整QTE估计的相合性和极限分布，并证明了在CAR下使用乘子自助推断是非保守的。当数据是高维的时，辅助回归可以参数化地、非参数化地或通过正则化来估计。即使在辅助回归被错误指定的情况下，所提出的自举推理过程仍然在零值下的极限内达到名义拒绝概率。当正确指定辅助回归时，回归调整估计量达到最小渐近方差。我们还讨论了形式的调整，可以提高效率的QTE估计。有限样本的新的估计和推理方法的性能进行了研究，在模拟和经验应用到一个著名的数据集有关扩大获得基本的银行账户储蓄报告。
2022-09-05 econ.EM 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
Inference in Functional Linear Quantile Regression
本文研究了函数分位数回归中标量响应和函数协变量的统计推断问题。具体来说，我们考虑一个功能性线性分位数回归模型，其中协变量对响应分位数的影响通过功能协变量和未知的光滑回归参数函数之间的内积来建模，该函数随分位数水平而变化。目的是检验回归参数在几个感兴趣的分位数水平上是否恒定。结合函数主成分分析和分位数回归的思想估计参数函数。调整Wald检验程序提出了这个假设的兴趣，其卡方渐近零分布推导。测试过程进行了研究数值模拟稀疏和嘈杂的功能协变量和资本自行车共享数据应用。所提出的方法易于实现，并且{ \tt R}代码在\url{https://github.com/xylimeng/fQR-testing}上在线发布。
2022-08-20 math.ST stat.ME stat.TH
Conformalized Unconditional Quantile Regression
UC Berkeley（加州大学伯克利分校）；MIT（麻省理工学院）
本文提出一种结合保形预测与无条件分位数回归的预测推断程序，通过拟合重新中心化影响函数的机器学习模型，生成具有局部频率覆盖保证的自适应预测区间，有效适应异方差性并在效率上具竞争力。
2023-04-04 cs.LG stat.ME
Estimation in functional linear quantile regression
This paper studies estimation in functional linear quantile regression in which the dependent variable is scalar while the covariate is a function, and the conditional quantile for each fixed quantile index is modeled as a linear functional of the covariate. Here we suppose that covariates are discretely observed and sampling points may differ across subjects, where the number of measurements per subject increases as the sample size . Also, we allow the quantile index to vary over a given subset of the open unit interval, so the slope function is a function of two variables: (typically) time a…
2013-02-27 math.ST stat.ME stat.TH
Constant versus Covariate Dependent Threshold in the Peaks-Over Threshold Method
过峰阈值是估计小概率事件、极值分位数和重现期等罕见事件的基本方法。峰值超过阈值方法的主要问题涉及阈值的选择，在阈值之上和之下，渐近结果分别对大观测值和小观测值有效。此外，导致渐近结果的主要假设是观测值独立同分布。然而，在实践中，许多现实生活中的过程产生的数据是非平稳和/或相关的一些协变量变量。因此，阈值选择变得复杂，因为它可能取决于协变量。反对使用恒定阈值的有力论据是，在某些协变量水平被认为是极端的观察结果在另一协变量水平可能不符合极端观察结果的条件。一些作者试图以不同的方式获得协变量依赖的阈值：最吸引人的一种依赖于分位数回归。在本文中，我们提出了一个协变量依赖的阈值的基础上期望。我们比较这个阈值与常数和分位数回归在模拟研究中估计广义帕累托分布的尾部指数。正如可以预料的那样，没有任何阈值是普遍最好的。然而，对于所考虑的指数增长数据，可以进行某些一般性的观察。首先，我们发现当响应变量为小到中等值时，期望阈值优于其他阈值。其次，对于较大的响应变量值，恒定阈值通常是最佳方法。以保险理赔数据尾部指数的估计为例说明了阈值的选取方法。
2018-12-09 stat.ME
Nonparametric quantile regression for time series with replicated observations and its application to climate data
本文提出了一个无模型的非参数估计的条件分位数的时间序列回归模型，其中的协变量向量是重复多次的响应值。这种类型的数据在气候研究中比比皆是。为了解决这些问题，我们提出的方法利用数据的复制性质，并改进了传统的分位数回归的限制性线性模型结构。在一个非常一般的框架下，导出了模型均值和方差函数的非参数估计的相关渐近理论。我们提供了一个详细的模拟研究，它清楚地表明了所提出的方法在效率上优于其他基准模型，特别是当真正的数据生成过程需要非线性均值函数和异方差模式与时间相关的协变量。当注意力集中在感兴趣变量的较高分位数时，非参数方法的预测准确性显著高于其他方法。最后，以一个著名的热带气旋风速资料和一个空气污染资料为例，说明了该方法的有效性。
2021-07-06 stat.ME
Convolution-smoothing based locally sparse estimation for functional quantile regression
Xi’an Jiaotong University（西安交通大学）；College of Physicians and Surgeons, Columbia University（哥伦比亚大学医学研究生学院）；Shanghai University of Finance and Economics（上海财经大学）；Simon Fraser University（西蒙菲莎大学）
本文提出基于卷积平滑的局部稀疏估计方法，用于函数分位数回归，解决稀疏性和计算挑战，提高模型可解释性。
2025-12-01 stat.ME
Locally sparse quantile estimation for a partially functional interaction model
功能数据分析已广泛开展。在这项研究中，我们考虑了一个部分功能模型，其中一些协变量是标量和线性效应，而其他一些变量是功能和未指定的非线性效应。显着推进从现有的文献中，我们认为一个模型的功能和标量协变量之间的相互作用。为了适应长尾误差分布，这是在数据分析中并不少见，我们采用分位数估计技术。为了实现更可解释的估计，并适应许多实际的设置，我们假设函数协变量的影响是局部稀疏的（即，存在子区域上的影响正好为零），这自然会导致变量/模型选择问题。我们建议尊重“主效应，相互作用”的层次结构，假设，如果一个子区域有一个非零的影响，在一个相互作用项，那么它的效果必须是非零的相应的主要功能的影响。对于估计，识别局部稀疏性，尊重的层次结构，我们提出了一个惩罚的方法。给出了一个有效的计算算法，并在较弱的正则条件下严格地建立了相容性。仿真结果表明了该方法的有效性。Tecator数据的分析进一步证明了其实用性。总体而言，这项研究可以提供一个新的和实际有用的模型和一个统计和数值上令人满意的估计方法。
2023-01-09 stat.ME
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
Nested Sensitivity Envelopes for Transported Quantile Treatment Effects
Data Science Institute, The University of Chicago（芝加哥大学数据科学研究所）
本文研究了在存在未测量治疗混杂因素且无法在条件化观测协变量后运输到目标人群时的目标人群分位数治疗效应，提出双重边际敏感度限制并推导了闭形式的尖锐目标反事实CDF包络，证明了过程层面的尖锐性并发展了非光滑边界过程的半参数理论。
2026-05-10 stat.ME
Factor Augmented Quantile Regression Model
针对高维数据下变量高相关、重尾分布及稀疏稠密效应共存的问题，提出结合分位数回归与因子分析的FAQR框架，引入卷积平滑优化，理论验证其性能，还开发Bootstrap诊断程序，仿真证实其在不同噪声场景下的合理性。
2025-08-01 stat.ME
Bayesian Quantile Regression for Misclassified Binary Data with an Application to Spousal Violence Reporting
Baylor University（贝勒大学）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文提出一种贝叶斯分位数回归框架，用于处理二元误分类数据，通过引入潜在真实响应和显式建模假阴性和假阳性报告误差，改进了对敏感二元结果的推断。
2026-09-25 stat.ME
Quantile Residual Lifetime Regression for Multivariate Failure Time Data
Nanyang Technological University（南洋理工大学）；University of Pittsburgh（匹兹堡大学）；National Institutes of Health/National Cancer Institute（美国国立卫生研究院/美国国家癌症研究所）
针对多元失效时间数据，提出边际半参数分位数剩余寿命回归模型，通过无偏估计方程估计参数，并给出三种方差估计方法，模拟和实例验证了方法的有效性。
2026-07-03 stat.ME
Bayesian Non-parametric Quantile Process Regression and Estimation of Marginal Quantile Effects
多个条件分位数的灵活估计在许多应用中是令人感兴趣的，例如研究妊娠相关因素对低出生体重和高出生体重的影响。我们提出了一个贝叶斯非参数方法，同时估计非交叉，非线性分位数曲线。我们扩展了响应的条件分布函数在I-样条基函数的协变量依赖系数建模使用神经网络。通过利用样条函数和神经网络的逼近能力，我们的模型可以逼近任何连续的分位数函数。与现有的模型相比，我们的模型估计所有的分位数，而不是一个有限的子集，规模以及高维，估计的不确定性。虽然该模型是任意灵活的，可解释的边际分位数效应估计使用累积局部效应图和变量的重要性措施。仿真研究表明，当数据稀疏时，我们的模型可以更好地恢复响应分布的分位数，并对出生体重数据进行了分析。
2021-08-29 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
Quantile regression for longitudinal functional data with application to feed intake of lactating sows
本文研究全天温度对哺乳母猪每日采食量低分位数的影响，提出一种带函数协变量的纵向数据分位数回归模型框架，利用时变系数和样条估计量化关联，并引入自助法进行偏差调整与标准误计算。
2023-04-30 stat.AP stat.ME
Bayesian Ordinal Quantile Regression with a Partially Collapsed Gibbs Sampler
与标准线性回归不同，分位数回归将协变量与条件响应分布之间的关系作为一个整体捕获，而不仅仅是协变量与条件响应的期望值之间的关系。然而，虽然连续变量和某些形式的离散数据有成熟的分位数回归方法，但顺序变量没有被广泛接受的方法，尽管它们在许多医学背景下很重要。在这项工作中，我们描述了两个现有的顺序分位数回归方法，并证明他们的弱点。然后，我们提出了一种新的方法，贝叶斯有序分位数回归与部分塌陷吉布斯抽样（BORPS）。我们显示出优越的结果，使用BORPS与现有的方法上的一组广泛的模拟。我们通过将BORPS应用于脆弱家庭和儿童福祉研究数据来进一步说明我们方法的好处，以区分男女之间与青春期提前的联系。软件可在GitHub.com/igrabski/borps上获得。
2019-11-16 q-bio.QM stat.ME
Survey calibration for causal inference: a simple method to balance covariate distributions
本文提出一种基于校准估计量理论的简单方法，可平衡协变量的任意分位数与均值，无需分布假设，能有效估计多种因果效应，还可推广至其他设计与方法，并提供开源实现。
2024-03-12 econ.EM stat.ME
Quantile regression with generalized multiquadric loss function
School of Big Data and Statistics, Anhui University（安徽大学大数据与统计学院）
本文提出基于广义多二次损失函数的分位数回归方法，通过构造平滑损失函数解决非可导问题，利用梯度下降法实现高效估计，并通过理论分析和模拟验证其有效性。
2025-12-13 stat.AP 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
Debiased Inference on Heterogeneous Quantile Treatment Effects with Regression Rank-Scores
本文提出一种结合 $\ell_1$-惩罚回归调整与秩得分偏差校正的新方法，用于高维协变量下异质性分位数处理效应的去偏推断，并通过模拟和英国生物银行数据验证其有效性。
2023-07-11 stat.ME
A defective cure rate quantile regression model for male breast cancer data
在这篇文章中，我们特别解决的问题，评估临床阶段和年龄对男性乳腺癌患者的具体生存时间的影响时，治愈是一种可能性，也有兴趣解释这种影响的不同分位数的生存时间。为此，我们开发了一个分位数回归模型的生存数据存在长期的幸存者的广义函数的Gompertz在一个有缺陷的版本，这是方便地重新参数化的第q个分位数，然后通过对数连接函数的协变量。这个建议使我们能够获得每个变量如何影响不同分位数的生存时间。此外，我们还能够研究协变量对治愈率的影响。我们考虑马尔可夫链蒙特卡罗（MCMC）方法开发的贝叶斯分析在建议的模型，我们通过蒙特卡罗模拟研究评估其性能。最后，我们说明了我们的模型在巴西男性乳腺癌的数据集的优势。
2021-05-08 stat.AP stat.ME
Extreme quantile regression with deep learning
本研究综述了结合有理论依据的极值理论模型与深度学习方法的极端分位数回归技术，可应对协变量数量与分位数水平均极端的复杂高维场景，为多领域风险评估提供高效方法支撑。
2024-04-14 stat.ME
SMART-MC: Characterizing the Dynamics of Multiple Sclerosis Therapy Transitions Using a Covariate-Based Markov Model
Virginia Commonwealth University（弗吉尼亚联邦大学）；University of Pittsburgh（匹兹堡大学）；Harvard Medical School（哈佛医学院）
本文提出SMART-MC模型，通过协变量影响治疗转换概率，解决参数可识别性和稀疏转换处理问题，揭示多发性硬化症患者亚组的治疗转换差异。
2025-08-26 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
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
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
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
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
Oracle Estimation of a Change Point in High Dimensional Quantile Regression
本文考虑了一个高维分位数回归模型，其中两个子总体之间的稀疏结构可能不同。我们开发了回归系数和阈值参数的$\ell_1$惩罚估计。我们的惩罚估计不仅选择协变量，而且还区分具有齐次稀疏性的模型和具有变点的模型。因此，不需要知道或预先测试变化点是否存在或发生在哪里。我们的估计的变点实现了一个预言性质的意义上说，它的渐近分布是相同的，如果未知的活动集的回归系数是已知的。重要的是，我们建立这个预言属性没有一个完美的协变量的选择，从而避免了需要的最低水平条件的信号，积极的协变量。由于分位数损失函数是非光滑的，而且相应的目标函数关于变点是非凸的，因此需要一种新的证明方法来处理变点未知的高维分位数回归。在本文中开发的技术是适用于一个一般的M-估计框架的变化点，这可能是独立的利益。所提出的方法，然后说明通过蒙特卡罗实验和应用程序的种族隔离的动态小费。
2016-12-16 econ.EM stat.ME
Latent drop-out transitions in quantile regression
纵向数据的特征在于来自同一个体的观测值之间的相关性。从回归的角度来看，这种依赖性可以有效地归因于每个个体特有的未观察到的特征（协变量）。在此基础上，在广义线性模型的背景下，建立了具有时常数和时变结构的随机参数模型。在分位数回归框架中，基于随机参数的规范只是最近才被人们所关注。我们从Farcomeni（2012）关于纵向分位数隐马尔可夫模型的最新提议开始，并将其扩展到处理潜在的信息缺失数据机制。特别是，我们专注于单调缺失，这可能会导致选择偏差，因此，不可靠的推断模型参数。我们详细介绍了所提出的方法，通过重新分析一个众所周知的数据集的动态CD4细胞计数在HIV血清转换器，并通过模拟研究。
2015-09-04 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
Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond
Cornell University（康奈尔大学）；Tsinghua University（清华大学）
我们考虑估计一个低维参数的估计方程，涉及高维滋扰，取决于参数。一个重要的例子是因果推断中（局部）分位数处理效应（（L）QTE）的有效估计方程，其中涉及在待估计分位数处评估的协变量条件累积分布函数。去偏机器学习（DML）是一种使用灵活的机器学习方法来估计高维干扰的数据分割方法，但将其应用于参数依赖干扰的问题是不切实际的。对于（L）QTE，DML要求我们学习整个协变量条件累积分布函数。相反，我们提出了本地化的去偏机器学习（LDML），它避免了这个繁琐的步骤，只需要估计滋扰在一个单一的初始粗略猜测的参数。对于（L）QTE，LDML只涉及学习两个回归函数，这是机器学习方法的标准任务。我们证明了在宽松率条件下，我们的估计具有相同的有利渐近行为的不可行估计，使用未知的真实滋扰。因此，LDML特别使实际可行的和理论上接地有效的估计重要的数量在因果推断，如（L）QTE时，我们必须控制许多协变量和/或灵活的关系，我们在实证研究中证明。
2022-08-17 cs.LG stat.ME stat.ML
Rerandomization for quantile treatment effects
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海人工智能实验室）
本文提出在有限总体框架下重新随机化方法用于估计量化处理效应，建立了其渐近性质，并通过模拟验证了其在提高估计效率方面的有效性。
2026-01-18 math.ST stat.ME stat.TH
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
Bayesian Effect Selection for Additive Quantile Regression with an Analysis to Air Pollution Thresholds
空气污染建模中使用的统计技术通常无法了解哪些预测因子以何种函数形式影响空气污染;并且无法回归当局直接规定的某些阈值。后者自然地诱导条件分位数并反映特定事件的严重性。在本文中，我们专注于这一重要方面，进一步发展分位数回归模型。我们提出了一个通用的贝叶斯效应选择方法添加分位数回归在一个高度可解释的框架。我们把单独的正常β素数尖峰和板条先验的标量重要性参数的影响部分，并实现了一个快速的吉布斯抽样计划。具体而言，它能够研究特定分位数的协变量效应，允许这些协变量具有使用加性预测因子的一般函数形式，并便于分析人员决定是否应将效应线性、非线性或根本不包括在感兴趣的分位数中。在对马德里（西班牙）空气污染数据的详细分析中，我们发现了模拟极端二氧化氮（NO2）浓度的附加值，以及阈值如何由几个气候变量和交通作为空间代理不同地驱动。我们的研究结果支持需要增强的统计模型，以支持短期决策，使地方当局能够减轻甚至防止NO2浓度限值的偏差。
2021-05-23 stat.AP stat.CO stat.ME
