Model Selection via Bayesian Information Criterion for Quantile Regression Models
分位数回归模型的贝叶斯信息准则选择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：摘要明确以线性及非参数分位数回归为研究对象，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…
分位数回归模型的贝叶斯信息准则选择
- 研究问题
- 当候选变量数量随样本量增长时，如何调整贝叶斯信息准则，使其适用于线性及结构化非参数分位数回归的模型选择？
- 方法与思路
- 作者研究高维线性分位数回归中的修正 BIC，讨论其选择惩罚估计调节参数的用途，并将结果扩展至结构化非参数模型。
- 材料陈述的贡献
- 摘要称，修正 BIC 在变量数量增长时仍具有模型选择一致性，并以模拟和人类眼病数据分析说明理论结果。
- 阅读关注点
- 应核对变量维数允许的增长速度、修正惩罚项形式、信号强度要求，以及理论是否覆盖实际采用的候选模型和调参路径。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出修正 BIC 的公式及选择一致性的具体条件。
原文摘要
Bayesian information criterion (BIC) is known to identify the true model consistently as long as the predictor dimension is finite. Recently, its moderate modifications have been shown to be consistent in model selection even when the number of variables diverges. Those works have been done mostly in mean regression, but rarely in quantile regression. The best-known results about BIC for quantile regression are for linear models with a fixed number of variables. In this article, we investigate how BIC can be adapted to high-dimensional linear quantile regression and show that a modified BIC is consistent in model selection when the number of variables diverges as the sample size increases. We also discuss how it can be used for choosing the regularization parameters of penalized approaches that are designed to conduct variable selection and shrinkage estimation simultaneously. Moreover, we extend the results to structured nonparametric quantile models with a diverging number of covariates. We illustrate our theoretical results via some simulated examples and a real data analysis on human eye disease. Supplementary materials for this article are available online.