On Additive Conditional Quantiles With High-Dimensional Covariates
高维协变量下的加性条件分位数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：摘要直接研究条件分位数的非参数估计，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…
关注这篇论文的作者
高维协变量下的加性条件分位数
- 研究问题
- 协变量较多时，如何估计由相关协变量的非线性加性函数构成的条件分位数，同时控制计算负担和维数影响？
- 方法与思路
- 作者提出非参数平滑估计量，直接计算各非线性分量而无需迭代，并分析均方误差和极限分布等渐近性质。
- 材料陈述的贡献
- 摘要称，无迭代计算便于常规分析，理论支持中等协变量维数下缓解维数灾难，并提供模拟与真实数据示例。
- 阅读关注点
- 应核对加性结构、平滑参数和正则条件，以及“中等维数”的具体含义和维数是否允许随样本量增长。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；维数范围、收敛速率及模拟数值未说明，不能据题名推断适用于任意高维设定。
原文摘要
We investigate the estimation of the conditional quantile when many covariates are involved. In particular, we model the conditional quantile of a response as a nonlinear additive function of relevant covariates. For this setup, we propose a nonparametric smoother to estimate the unknown functions. The estimator provides direct computation of the nonlinear functions. Because it does not require any iteration, the estimator allows fast and routine data analysis. On the theoretical front, we also show asymptotic properties of the estimator, including mean squared error and limiting distribution. The theory confirms that for moderate dimension of the covariates, the estimator escapes the “curse of dimensionality” problem. Both simulated and real data examples are provided to illustrate the methodology.