Semiparametric Estimation of Additive Quantile Regression Models by Two-Fold Penalty
双重惩罚下加性分位数回归模型的半参数估计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。
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：摘要围绕条件分位数函数的加性成分选择与半参数估计展开，因此归入分位数与分布效应；未说明因果识别问题。
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
双重惩罚下加性分位数回归模型的半参数估计
- 研究问题
- 在加性分位数回归中，如何同时筛选非零成分并识别其中的线性成分，从而自动确定一般加性、部分线性或线性结构？
- 方法与思路
- 作者用样条逼近各加性成分，并加入两项 SCAD 惩罚，在同一步估计中选择一般加性、部分线性加性或线性模型。
- 材料陈述的贡献
- 摘要强调，无需事先指定哪些协变量属于线性部分，即可同时开展模型选择和半参数估计，并以模拟及真实数据说明方法。
- 阅读关注点
- 应核对两项惩罚分别如何识别零成分和线性成分、样条与调参规则，以及模拟和实证是否支持模型选择的稳定性。
- 阅读边界
- 摘要未说明选择一致性、估计量渐近性质或推断方法，也未报告模拟数值；数据示例不能单独证明方法普遍占优。
原文摘要
In this article, we propose a model selection and semiparametric estimation method for additive models in the context of quantile regression problems. In particular, we are interested in finding nonzero components as well as linear components in the conditional quantile function. Our approach is based on spline approximation for the components aided by two Smoothly Clipped Absolute Deviation (SCAD) penalty terms. The advantage of our approach is that one can automatically choose between general additive models, partially linear additive models, and linear models in a single estimation step. The most important contribution is that this is achieved without the need for specifying which covariates enter the linear part, solving one serious practical issue for models with partially linear additive structure. Simulation studies as well as a real dataset are used to illustrate our method.