A Bayesian Nonparametric Approach to Inference for Quantile Regression
分位数回归推断的贝叶斯非参数方法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：摘要明确研究条件分位数曲线、非线性分位数回归及响应分布形态，直接对应分位数与分布效应方向。
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
分位数回归推断的贝叶斯非参数方法
- 研究问题
- 如何对非线性的条件分位数曲线进行贝叶斯非参数推断，并在响应变量仅被部分观测时继续描述其条件分布？
- 方法与思路
- 作者用Dirichlet过程混合模型刻画响应与协变量的联合分布，从条件响应分布获得不同分位数曲线的后验推断，并扩展至Tobit框架。
- 材料陈述的贡献
- 摘要通过模拟和两组文献数据示例，展示模型刻画分位数曲线非线性与响应分布非标准形态的能力，并提出Tobit分位数回归扩展。
- 阅读关注点
- 核对混合模型与先验设定、从联合分布提取条件分位数的方法，以及部分观测响应的处理方式和后验不确定性的表达。
- 阅读边界
- 摘要未说明混合模型的具体设定、部分观测机制或先验敏感性；示例展示不足以判断普遍适用性、计算稳定性及推断表现。
原文摘要
We develop a Bayesian method for nonparametric model–based quantile regression. The approach involves flexible Dirichlet process mixture models for the joint distribution of the response and the covariates, with posterior inference for different quantile curves emerging from the conditional response distribution given the covariates. An extension to allow for partially observed responses leads to a novel Tobit quantile regression framework. We use simulated data sets and two data examples from the literature to illustrate the capacity of the model to uncover nonlinearities in quantile regression curves, as well as nonstandard features in the response distribution.