Valid Post-Selection Inference in High-Dimensional Approximately Sparse Quantile Regression Models
高维近似稀疏分位数回归模型中的有效选择后推断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：摘要明确研究条件分位数回归系数及连续分位数指标上的推断，直接对应分位数与分布方向。
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…
高维近似稀疏分位数回归模型中的有效选择后推断
- 研究问题
- 在变量数可能超过样本量、条件分位数仅近似稀疏的模型中，如何对目标系数进行推断并降低模型选择错误的影响？
- 方法与思路
- 作者提出显式或隐式基于正交评分函数的方法，使推断抵御适度的模型选择错误，并研究目标系数置信区域的一致有效性。
- 材料陈述的贡献
- 摘要称，所提置信区域具有一致有效性，方法可直接用于多个变量和连续分位数指标，并以模拟及儿童营养不良应用展示。
- 阅读关注点
- 核对近似稀疏性、正交评分构造、干扰参数估计要求，以及跨变量和连续分位数指标推断的一致性范围与实施步骤。
- 阅读边界
- 依据arXiv 1312.7186v4预印本摘要；不能据此声称已同行评审或期刊接收，也不能推断刊本变化；有效性条件及应用数值未提供。
原文摘要
This work proposes new inference methods for a regression coefficient of interest in a (heterogeneous) quantile regression model. We consider a high-dimensional model where the number of regressors potentially exceeds the sample size but a subset of them suffice to construct a reasonable approximation to the conditional quantile function. The proposed methods are (explicitly or implicitly) based on orthogonal score functions that protect against moderate model selection mistakes, which are often inevitable in the approximately sparse model considered in the present paper. We establish the uniform validity of the proposed confidence regions for the quantile regression coefficient. Importantly, these methods directly apply to more than one variable and a continuum of quantile indices. In addition, the performance of the proposed methods is illustrated through Monte-Carlo experiments and an empirical example, dealing with risk factors in childhood malnutrition.