Treatment Effect Quantiles in Stratified Randomized Experiments and Matched Observational Studies
针对个体效应重尾或异常值情形，提出基于随机化的个体效应分位数推断方法，涵盖分层随机实验与匹配观察性研究，并引入高效贪心算法与敏感性分析。
2023-05-09 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
Deep Quantile and Deep Composite Model Regression
精算索赔额建模的一个主要困难是，没有一个简单的现成的分布，同时提供了一个良好的分布模型的主体和尾部的数据。特别是，协变量对于小索赔额和大索赔额可能有不同的影响。为了解决这个问题，我们引入了一个深度复合回归模型，其拼接点是根据条件索赔额分布的分位数而不是常数给出的。为了便于M-估计这样的模型，我们介绍和严格一致的评分函数组成的三分位数，以及下和上超出该分位数的预期不足的类的特征。在第二步中，将此启发性结果应用于拟合深度神经网络回归模型。我们证明了我们的方法的适用性和它的优越性，在一个真正的意外保险数据集上的经典方法。
2021-12-06 econ.EM q-fin.ST stat.ME
Characterizing quantile-varying covariate effects under the accelerated failure time model
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
本文提出在加速失败时间模型下刻画分位数变化的协变量效应的框架，通过灵活回归结构和贝叶斯方法，实现对生存分位数效应的解释和估计。
2025-12-05 stat.ME
Bayesian Multivariate Quantile Regression with alternative Time-varying Volatility Specifications
本文提出一种贝叶斯多元分位数回归方法，通过引入随机波动率和GARCH过程刻画能源大宗商品的时变波动率，并结合分位数评分加权模型组合提升尾部预测性能。
2024-08-07 econ.EM stat.ME
Efficient Estimation of Quantiles in Missing Data Models
提出了半参数缺失数据模型中分位数的一种新的目标极大似然估计。在正则条件下，我们提出的估计是局部有效的，$\sqrt{n}$ -相容的，渐近正态的，并且是双稳健的.我们使用蒙特卡罗模拟比较我们提出的方法，现有的估计。TMLE优于所有竞争者，相对效率比逆概率加权估计（IPW）小三倍，比增强的IPW小两倍。本研究的动机是一个因果推断的研究问题，具有高度可变的治疗分配概率，和一个重尾，高度可变的结果。在这种情况下，估计因果效应的平均值是一个很难的问题，因为信息范围通常很小。在我们的应用中，估计对平均值的影响的效率界可能是无限的。这排除了$\sqrt{n}$一致性推断，并降低了检验平均值无处理效应假设的把握度。在我们的模拟中，使用对中位数的影响使我们能够以30%以上的功率来测试位置偏移假设。这使我们能够对治疗的有效性做出声明，而这些声明很难对平均值产生影响。我们提供R代码来实现所提出的估计。
2016-08-20 stat.ME
Joint estimation of conditional quantiles in multivariate linear regression models. An application to financial distress
本文提出了一种最大似然方法来联合估计线性回归框架中多元响应变量的边缘条件分位数。我们考虑了Kotz等人（2001）提出的多元非对称Laplace分布的一个轻微的重新参数化，并利用其位置-尺度混合表示来实现一个新的估计模型参数的期望最大化算法。其思想是将非对称拉普拉斯分布和众所周知的单变量分位数回归模型之间的联系扩展到多变量环境，即当涉及多变量因变量时。该方法考虑了多个响应之间的关联，并研究响应和解释变量之间的关系如何在响应的边际条件分布的不同分位数之间变化。一个惩罚版本的期望最大化算法也提出了解决问题的变量选择。我们的方法的有效性进行了分析，在模拟研究中，我们还提供证据的效率增益所提出的方法相比，通过单独的单变量分位数回归估计。一个真正的数据应用程序，最后提出了研究的主要决定因素，在一个样本的意大利企业的财务困境。
2018-08-03 stat.ME
A flexible quantile mixed-effects model for censored outcomes
Syneos Health；Department of Mathematical Statistics and Actuarial Science, University of the Free State（自由州大学数学统计与精算科学系）；I-BioStat, KU Leuven（KU鲁汶大学生物统计研究所）；Department of Statistics and Actuarial Science, University of Stellenbosch（斯泰伦博斯大学统计与精算科学系）
本文提出了一种基于SEP分布的分位数混合效应模型，用于处理截断纵向数据，相较于SL模型，该方法在偏斜性冲突时表现更稳定。
2025-11-20 stat.ME
Log-regularly varying scale mixture of asymmetric Laplaces for robust Bayesian quantile regression
Meiji University（明治大学）；Keio University（庆应义塾大学）
该研究针对基于非对称拉普拉斯分布的贝叶斯分位数回归对极端观测值敏感的问题，提出AL-LPAL混合分布，建立后验稳健性并开发后验计算方法，经模拟和实际数据验证其预测性能良好。
2026-10-15 stat.ME
CONQ: CONtinuous Quantile Treatment Effects for Large-Scale Online Controlled Experiments
在许多行业环境中，在线控制实验（A/B测试）已被广泛采用，作为衡量产品或功能影响的黄金标准。大多数研究主要关注用户参与度类型指标，特别是测量平均值（平均处理效应，ATE）的处理效应，只有少数研究关注性能指标（例如延迟），其中处理效应以分位数测量。测量分位数处理效应（QTE）是具有挑战性的，由于无数的困难，如依赖性引入的聚类样本，可扩展性问题，密度带宽的选择，等等。此外，以前的文献主要集中在QTE在一些预定义的位置，如P50或P90，这并不总是传达全貌。在本文中，我们提出了一种新的可扩展的非参数解决方案，它可以提供一个连续的范围内的QTE逐点置信区间，同时绕过密度估计。数值结果表明，与传统的方法利用渐近正态性的高度一致。Snap Inc.已经实施了一个端到端的管道，在分销层面提供关于关键绩效指标的日常见解。
2020-10-29 stat.ME
Accountable and uncertainty-aware evaluation of sensor-based AI under distribution shift: devices, subjects, and nearly three years underground
Mittweida University of Applied Sciences（米特韦达应用科学大学）
针对传感器AI部署中设备、人员和时间变化导致的性能下降，提出分阶段可问责评估协议，以5%分位数而非均值决策，在地下矿井定位中验证，揭示均值误导性。
2026-09-10 cs.LG stat.ME stat.ML
Bridging the gap between experimental burden and statistical power for quantiles equivalence testing
针对 qTOST 在异质高斯样本极端分位数等效检验中过于保守的问题，提出有限样本校正 α-qTOST，并扩展至多分位数同时检验，在控制检验大小的同时显著提升功效。
2025-10-20 stat.ME
Conditional Outcome Equivalence: A Quantile Alternative to CATE
提出条件分位数比较器（CQC）作为CQTE的替代方案，结合CATE和CQTE的优点，保留处理分布信息并利用辅助估计量的简单性，理论证明和数值实验表明其估计更准确，能揭示不同分位数间的效应异质性。
2024-10-16 stat.ME stat.ML
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
Shift-Dispersion Decompositions of Wasserstein and Cramér Distances
本文提出 Wasserstein 和 Cramér 距离的移位-离散分解，将分布差异分为有向移位与离散分量，增强可解释性，并应用于温度极值预报评估和经济学概率调查设计。
2025-08-07 math.PR math.ST stat.ME
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
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
Entropy measure for the quantification of upper quantile interdependence in multivariate distributions
我们引入了一个新的措施之间的相互依赖性的随机向量沿主对角线的向量Copula，即沿线$u_{1}=\ldots=u_{J}$，为$\left(u_{1},\ldots,u_{J}\right)\in\left[0,1\right]^{J}$。我们的度量与离散随机变量的Shannon熵有关，因此我们称之为“熵指数”。该熵指数相对于边缘非减变换是不变的，并且可以用于量化任意维度中的向量分量关联的强度。通过对DAX指数4只股票的实际数据的分析，验证了熵指数的适用性。当随机向量在极值分布的吸引域中时，我们的指数具有极值分布的极值系数，极值系数可以解释为向量中渐近独立分量的有效个数.
2014-08-28 stat.ME
Locally Private Online Quantile Regression: Estimation and Inference
York University（约克大学）；Shanghai University of Finance and Economics（上海财经大学）
研究单报告用户级ε-局部差分隐私协议下在线分位数回归的估计与推断。针对标准估计方程贡献耦合协变量与残差比较的难题，开发有限字母通道解决，建立相关性质，模拟等表明隐私预算增加时私有轨迹接近非私有在线参考。
2026-07-07 stat.ME stat.ML
Comparing distributions by multiple testing across quantiles or CDF values
当比较两个分布时，了解哪些分位数或值存在统计学显著差异通常是有帮助的。这提供了比全局拟合优度测试的二元“拒绝”或“不拒绝”决策更多的信息。框架我们的问题作为多重测试在连续的分位数$τ\in(0,1)$或值$r\in\mathbb{R}$，我们表明，Kolmogorov-Smirnov测试（解释为多重测试程序）实现了家庭的差错率的强有力的控制。然而，其众所周知的尾巴灵敏度低的缺陷仍然存在。我们提供了一种替代方法，该方法保留了对家族差错率的强控制，同时还具有均匀的灵敏度，即，分布中每个$n\to\infty$顺序统计量的逐点I类差错率相等。我们的单样本方法使用我们的新公式即时计算，该公式还即时计算拟合优度$p$值和统一置信带。为了提高功率，我们还提出了降压和预测试程序，保持控制的渐近familywise差错率。单样本和两个样本的情况下，以及回归不连续设计和条件分布的扩展。模拟，经验的例子，和代码提供。
2017-08-15 econ.EM math.ST stat.ME
Quantile-based fuzzy clustering of multivariate time series in the frequency domain
提出了一种新的方法来对不同依赖模型产生的多元时间序列进行模糊聚类。生成模型之间的不同差异或动态行为随时间的变化是证明模糊方法合理性的一些论据，其中每个系列与具有特定成员级别的所有聚类相关联。我们的过程考虑了基于分位数的互谱特征，包括三个阶段：（i）每个元素的特征在于分位数互谱密度的适当估计的向量，（ii）执行主成分分析以捕获减少噪声影响的主要差异，以及（iii）第一保留主成分之间的平方欧几里德距离用于通过标准模糊C均值和模糊C中心点算法执行聚类。所提出的方法的性能进行了评估，在广泛的模拟研究，其中考虑了几种类型的生成过程，包括线性，非线性和动态条件相关模型。评估是在两种不同的方式：通过直接测量所产生的模糊分区的质量，并考虑到该技术的能力，以确定重叠的性质位于等距从定义明确的集群系列。该程序相比，在文献中提出的几个替代品，大大优于所有的基本过程和评价方案。两个具体的应用程序，涉及空气质量和金融数据库说明了我们的方法的实用性。
2021-09-08 stat.ME stat.ML
Binary disease prediction using tail quantiles of the distribution of continuous biomarkers
Eindhoven University of Technology（埃因霍温理工大学）；Brainscan BV（布瑞恩斯坎公司）
在二元疾病分类的分析中，单一生物标志物可能不具有显著的区分能力，并且应从大量生物标志物中选择多个生物标志物。存在许多方法，但它们仅适用于病例和对照之间生物标志物的平均差异。然而，生物过程的异质性要大得多，其他分布特征（如方差、偏度）也可能存在差异。许多机器学习技术能够更好地利用这些高阶分布差异，有时以可解释性为代价。在这项研究中，我们提出了基于分位数的预测（QBP），一种基于选择多个连续生物标志物的二元分类方法。QBP使用病例和对照的生物标志物分布的尾部生成单个评分。然后可以通过ROC分析来评估该单一评分，以研究其预测能力。QBP的性能进行了比较，监督学习方法，使用广泛的模拟研究，和两个案例研究：抑郁症和三体。同时，评估现有技术彼此之间的分类性能。QBP的主要优势是选择相关生物标志物的机会，以及在生物标志物主要显示病例和对照之间的方差差异的情况下的出色分类性能。当生物标志物中仅存在平均值变化时，QBP获得较差的性能。最后，QBP被证明是无偏的情况下，缺乏疾病相关的生物标志物和优于其他方法的MDD病例研究。需要更多的研究来进一步优化QBP，因为它有几个机会来提高其性能。在这里，我们想介绍QBP的原理，并显示其潜力。
2021-03-23 cs.LG q-bio.QM stat.ME
Inference on Counterfactual Distributions
反事实分布是实证经济学中政策分析和分解分析的重要组成部分。在这篇文章中，我们开发了基于回归方法的反事实分布的建模和推理工具。我们考虑的反事实情景包括与关注结果相关的协变量分布或给定协变量结果的条件分布的其他条件不变的变化。对于这些情况下，我们得出联合功能中心极限定理和自助有效性结果的回归为基础的估计的现状和反事实的结果分布。这些结果使我们能够构建同时置信集的功能值的影响的反事实的变化，包括对整个分布和分位数函数的结果，以及相关的泛函的影响。这些置信度集可用于检验功能假设，如无效应、正效应或随机优势。我们的理论适用于一般的反事实变化，并涵盖了主要的回归方法，包括经典，分位数，持续时间和分布回归。我们说明的结果与实证应用工资分解使用的数据为美国。作为发展的主要结果的一部分，我们介绍了分布回归作为一个全面的和灵活的工具建模和估计的\textit{entire}条件分布。我们发现，分布回归包括Cox持续时间回归，并代表了一个有用的替代分位数回归。我们建立了经验分布回归过程和各种相关泛函的泛函中心极限定理和Bootstrap有效性结果。
2013-09-18 econ.EM stat.AP stat.ME
Adaptive Conformal Inference Under Distribution Shift
Stanford University（斯坦福大学）
我们开发的方法，形成预测集的在线设置中的数据生成分布允许随时间变化，在一个未知的方式。我们的框架建立在共形推理的思想基础上，提供了一个通用的包装器，可以与任何黑盒方法相结合，产生看不见的标签或其分布的估计分位数的点预测。虽然以前的共形推理方法依赖于数据点是可交换的假设，但我们的自适应方法可证明在长时间间隔内实现了所需的覆盖频率，而与真实的数据生成过程无关。我们通过将分布偏移建模为单个参数的学习问题来实现这一点，该参数的最佳值随时间变化，并且必须不断重新估计。我们在两个真实世界的数据集上测试了我们的方法，自适应共形推理，发现它的预测对可见的和显著的分布变化是鲁棒的。
2021-10-28 cs.LG stat.ME stat.ML
Bias-Corrected Adaptive Conformal Inference for Multi-Horizon Time Series Forecasting
Equal contribution（共同贡献）
本文提出 BC-ACI 方法，通过在线指数加权移动平均估计预测偏差，校正非一致性分数并重新定位预测区间，提升在分布转移下的预测性能。
2026-04-14 cs.LG stat.ME stat.ML
Ratio of Quantiles Indicates Burstiness with Fewer False Negatives than the Conventional Burstiness Parameter
Northwestern University（西北大学）；Tufts University（塔夫茨大学）
本文提出 BTI 指标，通过量化比值减少假阴性，改进了传统 BP 参数在判断 Burstiness 时的不足，通过模拟和实证研究证明其在有限样本和短观察窗口下的鲁棒性。
2026-04-06 physics.soc-ph stat.ME
Conformal Prediction under Levy-Prokhorov Distribution Shifts: Robustness to Local and Global Perturbations
Department of Electrical Engineering and Computer Sciences, UC Berkeley, USA（加州大学伯克利分校电子工程与计算机科学系）；Laboratory for Information and Decision Systems, MIT, USA（麻省理工学院信息与决策系统实验室）
针对共形预测在分布偏移下鲁棒性不足的问题，提出基于Lévy-Prokhorov模糊集建模分布偏移的方法，通过得分函数传播将高维偏移降为一维以量化最坏情况，构建鲁棒预测区间，实验验证了有效性。
2025-05-19 cs.LG math.ST stat.ME
