Testing for Marginal Linear Effects in Quantile Regression
分位数回归中的边际线性效应检验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：摘要明确以条件分位数和边际分位数回归为检验对象，直接对应分位数方法。
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…
分位数回归中的边际线性效应检验
- 研究问题
- 如何检测与响应变量条件分位数相关的预测变量，并处理挑选最具预测力变量后，检验统计量所产生的非正则极限行为？
- 方法与思路
- 作者逐一拟合单变量边际分位数回归，依据最具预测力变量的 t 统计量构造检验，再设计重抽样方法进行标定。
- 材料陈述的贡献
- 摘要称在边际模型可能错设时建立渐近有效性；方法可计算地用于较高维预测变量，并具有针对响应异常值的稳健性优势。
- 阅读关注点
- 应核对边际关联的检验原假设、变量选择与重抽样步骤、错设下的有效性条件，以及固定维度理论与高维应用的区别。
- 阅读边界
- 仅据所给 Crossref 摘要；渐近证明采用固定维度，不能推断维度增长时仍有效；所检测的关联也不能直接解释为因果效应。
原文摘要
Summary The paper develops a new marginal testing procedure to detect significant predictors that are associated with the conditional quantiles of a scalar response. The idea is to fit the marginal quantile regression on each predictor one at a time, and then to base the test on the t-statistics that are associated with the most predictive predictors. A resampling method is devised to calibrate this test statistic, which has non-regular limiting behaviour due to the selection of the most predictive variables. Asymptotic validity of the procedure is established in a general quantile regression setting in which the marginal quantile regression models can be misspecified. Even though a fixed dimension is assumed to derive the asymptotic results, the test proposed is applicable and computationally feasible for large dimensional predictors. The method is more flexible than existing marginal screening test methods based on mean regression and has the added advantage of being robust against outliers in the response. The approach is illustrated by using an application to a human immunodeficiency virus drug resistance data set.