Spline Quantile Regression with Cubic and Linear Smoothing Splines
三次与线性平滑样条的分位数回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以分位数回归系数随分位数变化的函数估计为核心，属分位数与分布效应；实证示例包含股指的Granger因果分析，涉及时间序列方法。
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…
关注这篇论文的作者
三次与线性平滑样条的分位数回归
- 研究问题
- 摘要称，本文研究如何将样条分位数回归（SQR）中回归系数随分位数水平变化的函数表示与粗糙度惩罚进行新的配对，以刻画系数函数的不同平滑特征。
- 方法与思路
- 作者提出在给定分位数集合上以固定节点三次样条表示系数，并以系数二阶导数的ℓ1范数为粗糙度惩罚，构造惩罚分位数回归问题；摘要称三次SQR可化为二次规划求解，线性SQR可化为线性规划求解。
- 材料陈述的贡献
- 摘要称所得三次与线性SQR解是平滑样条，在比固定节点样条空间更大的函数空间中具有最优性；模拟研究显示当真实函数足够光滑时估计更准确，并用真实数据示例（含股指Granger因果分析）演示应用。
- 阅读关注点
- 阅读全文时应核对：惩罚与函数表示的配对细节、最优性所在函数空间及所需假设、二次/线性规划的具体形式与计算规模、模拟设计中的真实函数与比较基准，以及实证中Granger因果分析的识别与检验设定。
- 阅读边界
- 仅凭摘要无法判断估计量的渐近性质、节点选择与调参方式、模拟与实证的具体数值结果，也无法确认其相对既有方法的普遍优势；该文为arXiv预印本，未经同行评审验证。
原文摘要
Spline quantile regression (SQR) is a method introduced recently by Li and Megiddo (2026) for linear quantile regression where the regression coefficients are treated as smooth functions of the quantile level. With the coefficients represented by cubic splines with fixed knots on a given set of quantiles, the SQR method produces an estimate for the functional coefficients by solving a penalized quantile regression problem. The $\ell_1$-norm of the second derivatives of the coefficients is employed as the penalty for regulating the roughness of the functional coefficients. This extends the SQR method by introducing additional pairings of the functional representation for the regression coefficients and the penalty for their roughness. The resulting cubic and linear SQR solutions are shown to be smoothing splines which are optimal in a functional space larger than the respective spline space with fixed knots. It is shown that the cubic SQR can be reformulated and solved as a quadratic program and the linear SQR as a linear program. A simulation study demonstrates that the SQR solutions not only offer a concise functional representation of the regression coefficients with distinct smoothness characteristics, but also provide a capability of producing more accurate estimates of the regression coefficients when the underlying functions are suitably smooth. Application of the SQR solutions is demonstrated by real-data examples, including a Granger causality analysis of stock market indices.