Global Inference for High Dimensional Quantile Regression with Heterogeneity
异质性高维分位数回归的全局推断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。
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：摘要主题为高维分位数回归的检验与估计，直接对应“分位数与分布效应”这一细分方向。
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…
异质性高维分位数回归的全局推断
- 研究问题
- 摘要称，现有高维分位数回归的推断方法存在明显局限：只能做显著性检验、每次只检验单个分位数，或假定同方差；本文要研究在异方差模型下、对一组分位数一致地检验线性假设的问题。
- 方法与思路
- 作者提出部分惩罚 Wald 检验与秩得分检验，用于在一组分位数上一致检验线性假设；提出全局自适应的局部线性逼近（LLA）算法做折叠凹惩罚估计，并借助经验过程技术，以平方 Bessel 过程上确界构造参考分布。
- 材料陈述的贡献
- 摘要称，全局 LLA 算法以高概率恢复全模型与约简模型的“检验 oracle”，估计量在分位数集合上一致达到 √(s/n) oracle 速率，并给出 Bahadur 表示及原假设与局部备择下检验统计量的渐近分布；还给出秩得分的对偶形式与自适应惩罚权重，并证明其 oracle 等价性。
- 阅读关注点
- 应核对：异方差与分位数集合的具体设定、折叠凹惩罚与 LLA 算法的收敛条件、oracle 性质所需的正则假设、Bahadur 表示与渐近分布成立的适用范围，以及 Bessel 过程上确界参考分布的实际校准方式。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文，也未验证同行评审或期刊接收状态；摘要未说明模拟实验、实证数据、有限样本表现及具体正则条件，因此不能据此判断方法的实际优劣。
原文摘要
Quantile regression has received considerable attention in high dimensional methodology due to its robustness and ability to accommodate heteroskedasticity. Despite this attention, current inferential methods for high dimensional quantile regression have significant limitations---only testing significance, testing at a single quantile at a time, or assuming homoskedasticity. To generalize the inferences that can be drawn in high dimensional quantile regression, we introduce partial penalized Wald and rank score tests for testing linear hypotheses uniformly over a set of quantiles $\mathcal T$ under a heteroskedastic model. We propose globally adaptive local linear approximation (LLA) algorithms for folded concave penalized estimation and show that our global LLA algorithms recover ``testing oracles'' for the full and reduced models with high probability. We then show that our global LLA estimators achieve the $\sqrt{s/n}$ oracle estimation rate uniformly over $\mathcal T$, establish Bahadur representations, and derive asymptotic distributions for the test statistics under the null and local alternatives. We develop a dual formulation incorporating adaptive penalty weights for the rank scores and use the strong oracle property to establish their oracle equivalence. Using empirical process techniques, we derive reference distributions based on suprema of squared Bessel processes, extending partial penalized inference beyond pointwise chi-square calibration.