Corrected-loss estimation for quantile regression with covariate measurement errors
协变量测量误差下分位数回归的修正损失估计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：摘要直接研究协变量测量误差下的目标分位函数与分位数回归参数估计，因此归入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…
关注这篇论文的作者
协变量测量误差下分位数回归的修正损失估计
- 研究问题
- 当分位数回归的协变量存在测量误差时，如何在避免要求所有分位函数线性或特定联合对称分布的情况下估计目标参数？
- 方法与思路
- 作者针对一类协变量测量误差构造修正得分估计方法，在目标分位函数线性的设定下，不对回归误差分布施加参数形式。
- 材料陈述的贡献
- 摘要称该方法易于实现，放宽已有方法的部分限制；在所考察模型的有限样本结果中，估计效率高于比较方法。
- 阅读关注点
- 应核对可处理的测量误差类别及其信息要求、修正得分与题名中修正损失的关系，以及有限样本比较的具体设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；测量误差的具体条件未说明，不能把效率优势或适用性推广到任意误差机制。
原文摘要
We study estimation in quantile regression when covariates are measured with errors. Existing methods require stringent assumptions, such as spherically symmetric joint distribution of the regression and measurement error variables, or linearity of all quantile functions, which restrict model flexibility and complicate computation. In this paper, we develop a new estimation approach based on corrected scores to account for a class of covariate measurement errors in quantile regression. The proposed method is simple to implement. Its validity requires only linearity of the particular quantile function of interest, and it requires no parametric assumptions on the regression error distributions. Finite-sample results demonstrate that the proposed estimators are more efficient than the existing methods in various models considered.