Wild bootstrap for quantile regression
分位数回归的野生自助法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：摘要直接研究分位数回归估计量的自助法推断，属于分位数与分布效应的方法方向。
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…
分位数回归的野生自助法
- 研究问题
- 如何为分位数回归选择有效的野生自助权重，避免常用权重在非线性估计中造成方差偏差，并适应回归异方差？
- 方法与思路
- 作者给出具有渐近有效性的权重分布类别，并修改野生自助法以容纳更广泛的权重，结合有限样本修正比较中位数回归方法。
- 材料陈述的贡献
- 摘要称，研究将野生自助法的有效性扩展至分位数回归，并在固定设计点回归中通过简单修正处理一般形式的异方差。
- 阅读关注点
- 应核对权重分布须满足的条件、修正步骤及渐近有效性的对象，并确认固定设计结果能否推广到随机设计或相关数据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。完整条件与模拟数值未说明，不能推断其对所有分位点和数据依赖结构均有效。
原文摘要
The existing theory of the wild bootstrap has focused on linear estimators. In this note, we broaden its validity by providing a class of weight distributions that is asymptotically valid for quantile regression estimators. As most weight distributions in the literature lead to biased variance estimates for nonlinear estimators of linear regression, we propose a modification of the wild bootstrap that admits a broader class of weight distributions for quantile regression. A simulation study on median regression is carried out to compare various bootstrap methods. With a simple finite-sample correction, the wild bootstrap is shown to account for general forms of heteroscedasticity in a regression model with fixed design points.