Smoothing Quantile Regressions
分位数回归的平滑方法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：摘要明确研究线性分位数回归、分位数密度及条件密度估计，核心问题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…
分位数回归的平滑方法
- 研究问题
- 在线性分位数回归中，平滑目标函数能否改善估计误差和渐近近似，并支持条件密度估计与两阶段有效估计？
- 方法与思路
- 作者平滑整个分位数回归目标函数，利用估计量的渐近可微性构造分位数密度估计，并给出带宽选择的经验规则。
- 材料陈述的贡献
- 摘要称平滑估计具有更低均方误差和更精确的巴哈杜尔—基弗表示，理论对带宽与分位点一致，所提出密度估计避免维数灾难。
- 阅读关注点
- 重点核对平滑核、带宽条件及均方误差比较的适用范围，区分分位数密度与条件密度，并查看两阶段有效性的假设。
- 阅读边界
- 摘要未说明误差改进与避免维数灾难所需的具体假设；结论针对文中的线性分位数回归框架，不能直接推广至任意密度模型。
原文摘要
We propose to smooth the objective function, rather than only the indicator on the check function, in a linear quantile regression context. Not only does the resulting smoothed quantile regression estimator yield a lower mean squared error and a more accurate Bahadur–Kiefer representation than the standard estimator, but it is also asymptotically differentiable. We exploit the latter to propose a quantile density estimator that does not suffer from the curse of dimensionality. This means estimating the conditional density function without worrying about the dimension of the covariate vector. It also allows for two-stage efficient quantile regression estimation. Our asymptotic theory holds uniformly with respect to the bandwidth and quantile level. Finally, we propose a rule of thumb for choosing the smoothing bandwidth that should approximate well the optimal bandwidth. Simulations confirm that our smoothed quantile regression estimator indeed performs very well in finite samples. Supplementary materials for this article are available online.