Nonparametric estimation of conditional quantile functions in the presence of irrelevant covariates
存在无关协变量时条件分位数函数的非参数估计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：题名与摘要明确研究混合协变量下的非参数条件分位数函数估计，因此归入分位数与分布方向。
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…
关注这篇论文的作者
存在无关协变量时条件分位数函数的非参数估计
- 研究问题
- 在同时含离散与连续协变量、且部分变量无关的情况下，如何非参数估计条件分位数，并选择平滑参数与筛除无关变量？
- 方法与思路
- 作者使用基于检验损失函数的核分位数估计，以交叉验证同时选择平滑参数和去除无关变量；变量较多时先筛选再交叉验证。
- 材料陈述的贡献
- 摘要称该方法将条件分位数估计、平滑参数选择与无关变量处理结合，并通过模拟和实证应用展示了所提程序的用途。
- 阅读关注点
- 应核对无关变量的定义、混合数据核函数及交叉验证准则，以及初步筛选是否遗漏相关变量并影响最终分位数估计。
- 阅读边界
- 所给出版社摘要未说明筛选一致性、变量维度增长条件或应用结果；不能据此认定程序总能正确筛除变量或改善估计精度。
原文摘要
Allowing for the existence of irrelevant covariates, we study the problem of estimating a conditional quantile function nonparametrically with mixed discrete and continuous data. We estimate the conditional quantile regression function using the check-function-based kernel method and suggest a data-driven cross-validation (CV) approach to simultaneously determine the optimal smoothing parameters and remove the irrelevant covariates. When the number of covariates is large, we first use a screening method to remove the irrelevant covariates and then apply the CV criterion to those that survive the screening procedure. Simulations and an empirical application demonstrate the usefulness of the proposed methods.