Smoothed Quantile Estimation via Interpolation to the Mean
通过向均值插值实现的平滑分位数估计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。
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：摘要主题为分位数估计量的构造与渐近性质，直接对应“分位数与分布效应”这一细分方向。
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…
通过向均值插值实现的平滑分位数估计
- 研究问题
- 摘要称，本文研究如何构造一族在经典经验分位数与样本均值之间连续插值的平滑分位数估计量，并刻画平滑参数带来的效率与稳健性权衡。
- 方法与思路
- 作者提出以正则化目标函数的极小值点定义估计量 q(z,h)，含平滑参数 h≥0 与位置参数 z；摘要称推导了相合性、渐近正态性与显式渐近方差，并给出参数空间中的几何刻画。
- 材料陈述的贡献
- 摘要称贡献在于统一了经验分位数与样本均值两类估计，给出效率—稳健性权衡的显式方差表达，并区分轻尾与重尾两种情形：轻尾下平滑单调降方差但无有限最优，重尾下存在有限最优平滑水平 h*(τ) 严格优于经典经验分位数。
- 阅读关注点
- 应核对正则化目标函数的具体形式与识别条件、渐近正态性所需假设、方差表达式的推导、h*(τ) 的存在性与唯一性条件，以及数值模拟的设计与结论是否支持理论预测。
- 阅读边界
- 仅凭摘要无法判断证明细节、假设强度、有限样本表现与适用范围；摘要未说明具体分布族之外的推广、带宽选择的可操作建议及与其他平滑分位数方法的比较。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
This paper introduces a unified family of smoothed quantile estimators that continuously interpolate between classical empirical quantiles and the sample mean. The estimators q(z, h) are defined as minimizers of a regularized objective function depending on two parameters: a smoothing parameter h $\ge$ 0 and a location parameter z $\in$ R. When h = 0 and z $\in$ (-1, 1), the estimator reduces to the empirical quantile of order $τ$ = (1z)/2; as h $\rightarrow$ $\infty$, it converges to the sample mean for any fixed z. We establish consistency, asymptotic normality, and an explicit variance expression characterizing the efficiency-robustness trade-off induced by h. A key geometric insight shows that for each fixed quantile level $τ$ , the admissible parameter pairs (z, h) lie on a straight line in the parameter space, along which the population quantile remains constant while asymptotic efficiency varies. The analysis reveals two regimes: under light-tailed distributions (e.g., Gaussian), smoothing yields a monotonic but asymptotic variance reduction with no finite optimum; under heavy-tailed distributions (e.g., Laplace), a finite smoothing level h * ($τ$ ) > 0 achieves strict efficiency improvement over the classical empirical quantile. Numerical illustrations confirm these theoretical predictions and highlight how smoothing balances robustness and efficiency across quantile levels.