Quantiles, expectiles and splines
分位数、期望分位数与样条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：摘要同时研究时变分位数与期望分位数的时间序列建模，以及相应的非参数回归算法。
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
分位数、期望分位数与样条
- 研究问题
- 如何估计随时间变化的分位数和期望分位数，使其保留相应的样本比例或矩条件性质，并扩展到非参数样条回归？
- 方法与思路
- 作者为总体分位数建立时间序列模型，迭代使用修改后的状态空间信号提取算法；类似方法用于期望分位数及不规则观测下的样条拟合。
- 材料陈述的贡献
- 摘要称，时变分位数满足相应的上下观测比例性质，时变期望分位数满足推广后的矩条件，算法还可用于样条非参数回归。
- 阅读关注点
- 阅读全文时应核对目标函数、状态空间模型与迭代步骤，比例和矩条件性质的准确含义，以及不规则间隔如何对应样条惩罚。
- 阅读边界
- 仅据所给出版社摘要，无法判断算法收敛性、平滑参数选择或估计误差；摘要未说明具体模型设定与样条回归的性能比较。
原文摘要
A time-varying quantile can be fitted by formulating a time series model for the corresponding population quantile and iteratively applying a suitably modified state space signal extraction algorithm. It is shown that such quantiles satisfy the defining property of fixed quantiles in having the appropriate number of observations above and below. Like quantiles, time-varying expectiles can be estimated by a state space signal extraction algorithm and they satisfy properties that generalize the moment conditions associated with fixed expectiles. Because the state space form can handle irregularly spaced observations, the proposed algorithms can be adapted to provide a viable means of computing spline-based non-parametric quantile and expectile regressions.