Inference for single-index quantile regression models with profile optimization
基于剖面优化的单指标分位数回归推断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：摘要直接研究单指标分位数回归的估计、检验和模型选择，对应分位数与分布方向。
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…
基于剖面优化的单指标分位数回归推断
- 研究问题
- 如何对单指标分位数回归中的指标系数和未知非参数函数进行估计、检验与变量选择，同时保留系数的可解释性？
- 方法与思路
- 作者采用伪剖面似然估计，以其梯度构造指标系数的得分检验，并通过惩罚程序同时实施模型选择和估计。
- 材料陈述的贡献
- 摘要称，建立指标系数估计的渐近正态性与非参数函数估计的最优收敛率，并提出一致模型选择程序及数值展示。
- 阅读关注点
- 应核对单指标的识别与标准化、平滑参数和惩罚参数选择，以及得分检验与模型选择一致性各自要求的条件。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本，未列出识别条件、最优速率或模拟数值；实证例子也不足以支持因果解释。
原文摘要
Single index models offer greater flexibility in data analysis than linear models but retain some of the desirable properties such as the interpretability of the coefficients. We consider a pseudo-profile likelihood approach to estimation and testing for single-index quantile regression models. We establish the asymptotic normality of the index coefficient estimator as well as the optimal convergence rate of the nonparametric function estimation. Moreover, we propose a score test for the index coefficient based on the gradient of the pseudo-profile likelihood, and employ a penalized procedure to perform consistent model selection and model estimation simultaneously. We also use Monte Carlo studies to support our asymptotic results, and use an empirical example to illustrate the proposed method.