Convolution Mode Regression
卷积众数回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要通过条件分位数密度估计条件众数，直接涉及条件分布特征及分位数方法。
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
卷积众数回归
- 研究问题
- 面对高度偏斜或厚尾分布，如何估计给定协变量的条件众数，同时缓解非参数方法的维数问题和半参数方法的优化困难？
- 方法与思路
- 作者以卷积平滑的分位数回归为基础，通过对条件分位数密度取倒数这一中间步骤构造众数估计，并研究一致收敛性质。
- 材料陈述的贡献
- 摘要称估计对协变量设计点及带宽具有一致性质，且不受维数和优化问题困扰；初步模拟提示有限样本分布近似正态。
- 阅读关注点
- 应核对众数识别及唯一性、分位数密度求逆步骤、带宽范围，以及维数无关结论的具体含义与初步模拟的设计。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未列出一致性条件；模拟中的正态表现不能作为已证明的正态推断依据。
原文摘要
For highly skewed or fat-tailed distributions, mean or median-based methods often fail to capture the central tendencies in the data. Despite being a viable alternative, estimating the conditional mode given certain covariates (or mode regression) presents significant challenges. Nonparametric approaches suffer from the "curse of dimensionality", while semiparametric strategies often lead to non-convex optimization problems. In order to avoid these issues, we propose a novel mode regression estimator that relies on an intermediate step of inverting the conditional quantile density. In contrast to existing approaches, we employ a convolution-type smoothed variant of the quantile regression. Our estimator converges uniformly over the design points of the covariates and, unlike previous quantile-based mode regressions, is uniform with respect to the smoothing bandwidth. Additionally, the Convolution Mode Regression is dimension-free, carries no issues regarding optimization and preliminary simulations suggest the estimator is normally distributed in finite samples.