High-Dimensional Spatial Quantile Function-on-Scalar Regression
高维空间分位数函数对标量回归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。
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布及不同分位水平上的协变量作用，直接对应分位数与分布效应方法。
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…
高维空间分位数函数对标量回归
- 研究问题
- 如何描述给定标量预测变量时高维函数或图像响应的条件空间分布，并刻画协变量在不同分位水平上的作用？
- 方法与思路
- 作者结合分位数回归与 copula 建模，构造空间分位数函数对标量回归，并以原始—对偶算法处理高维图像数据。
- 材料陈述的贡献
- 摘要称，该方法可刻画整个空间域上的条件分布并生成图像，同时建立固定和随机设计下系数函数估计的极小极大收敛率。
- 阅读关注点
- 应核对空间分位数与 copula 的具体连接、系数函数的正则条件、收敛率适用范围，以及图像生成与算法的实现细节。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体收敛率、条件与有限样本结果未说明，不能据此判断普遍优越性或刊本变化。
原文摘要
This article develops a novel spatial quantile function-on-scalar regression model, which studies the conditional spatial distribution of a high-dimensional functional response given scalar predictors. With the strength of both quantile regression and copula modeling, we are able to explicitly characterize the conditional distribution of the functional or image response on the whole spatial domain. Our method provides a comprehensive understanding of the effect of scalar covariates on functional responses across different quantile levels and also gives a practical way to generate new images for given covariate values. Theoretically, we establish the minimax rates of convergence for estimating coefficient functions under both fixed and random designs. We further develop an efficient primal-dual algorithm to handle high-dimensional image data. Simulations and real data analysis are conducted to examine the finite-sample performance.