Local Composite Quantile Regression Smoothing: An Efficient and Safe Alternative to Local Polynomial Regression
局部复合分位数回归平滑：局部多项式回归的替代方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以复合分位数回归构造非参数平滑方法，直接关联分位数方法，但未涉及因果分布效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
局部复合分位数回归平滑：局部多项式回归的替代方法
- 研究问题
- 局部非参数回归中，能否通过复合分位数平滑改善非正态误差下的估计效率，同时保持正态误差下的相近效率？
- 方法与思路
- 作者提出局部复合分位数回归平滑，推导渐近偏差、方差与正态性，比较相对效率，并进行模拟和实数据示例。
- 材料陈述的贡献
- 摘要称该估计在多种非正态误差下可比局部多项式估计高效得多，在正态误差下则几乎同样高效，模拟与理论一致。
- 阅读关注点
- 应核对多个分位数如何组合、带宽与平滑阶数的选择，以及效率比较所依赖的误差分布和模拟设计。
- 阅读边界
- 仅据所给 Crossref 摘要；具体效率界与适用条件未说明，题名中的安全性不能理解为对所有误差分布的保证。
原文摘要
Summary Local polynomial regression is a useful non-parametric regression tool to explore fine data structures and has been widely used in practice. We propose a new non-parametric regression technique called local composite quantile regression smoothing to improve local polynomial regression further. Sampling properties of the estimation procedure proposed are studied. We derive the asymptotic bias, variance and normality of the estimate proposed. The asymptotic relative efficiency of the estimate with respect to local polynomial regression is investigated. It is shown that the estimate can be much more efficient than the local polynomial regression estimate for various non-normal errors, while being almost as efficient as the local polynomial regression estimate for normal errors. Simulation is conducted to examine the performance of the estimates proposed. The simulation results are consistent with our theoretical findings. A real data example is used to illustrate the method proposed.