Spatial Scalar-on-Function Quantile Regression Model
空间标量对函数分位数回归模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以空间依赖下的条件分位数回归和条件分布异质性为直接研究对象。
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…
空间标量对函数分位数回归模型
- 研究问题
- 当标量结局依赖函数型解释变量并存在空间相关时，如何刻画不同条件分位数，同时处理空间滞后结局带来的内生性？
- 方法与思路
- 作者在标量对函数分位数回归中加入空间滞后响应，并提出两种工具变量估计程序，以处理该滞后项的内生性。
- 材料陈述的贡献
- 摘要称建立√n一致性和渐近正态性，模拟及环境数据应用展示预测与稳健性优势，并说明方法已实现于R包。
- 阅读关注点
- 应核对空间权重、工具变量有效性、函数型维度处理及分位数识别条件，并检查异常值情形和比较方法的评估设计。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实；摘要未说明正则条件、数值结果或软件验证，不能据此确认普遍优越性。
原文摘要
This paper introduces a novel spatial scalar-on-function quantile regression model that extends classical scalar-on-function models to account for spatial dependence and heterogeneous conditional distributions. The proposed model incorporates spatial autocorrelation through a spatially lagged response and characterizes the entire conditional distribution of a scalar outcome given a functional predictor. To address the endogeneity induced by the spatial lag term, we develop two robust estimation procedures based on instrumental variable strategies. $\sqrt{n}$-consistency and asymptotic normality of the proposed estimators are established under mild regularity conditions. We demonstrate through extensive Monte Carlo simulations that the proposed estimators outperform existing mean-based and robust alternatives, particularly in settings with strong spatial dependence and outlier contamination. We apply our method to high-resolution environmental data from the Lombardy region in Italy, using daily ozone trajectories to predict daily mean particulate matter with a diameter of less than 2.5 micrometers concentrations. The empirical results confirm the superiority of our approach in predictive accuracy, robustness, and interpretability across various quantile levels. Our method has been implemented in the \texttt{ssofqrm} R package.