Scalable estimation and inference for censored quantile regression process
删失分位数回归过程的可扩展估计与推断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：摘要明确研究删失分位数回归及跨分位点的异质关联，直接对应所列分位数与分布效应的方法方向。
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…
删失分位数回归过程的可扩展估计与推断
- 研究问题
- 当删失结局具有大量协变量时，如何高效估计多个分位点的异质关联，并在维度增长或高维稀疏情形下有效推断？
- 方法与思路
- 作者平滑基于鞅的序贯估计方程以使用梯度算法，并统一分析平滑估计量及其惩罚版本，同时研究乘子bootstrap。
- 材料陈述的贡献
- 摘要称建立分位点范围上的一致收敛率和bootstrap有效性，并在高维稀疏情形放宽既有结果中涉及稀疏度的指数项。
- 阅读关注点
- 核对删失机制、平滑参数、维度和稀疏度条件，以及分位点范围和bootstrap有效性所覆盖的具体推断对象。
- 阅读边界
- 材料为版本未注明的OpenAlex索引摘要；未列出改进条件的具体形式或数值幅度，异质关联也不能直接解释为因果效应。
原文摘要
Censored quantile regression (CQR) has become a valuable tool to study the heterogeneous association between a possibly censored outcome and a set of covariates, yet computation and statistical inference for CQR have remained a challenge for large-scale data with many covariates. In this paper, we focus on a smoothed martingale-based sequential estimating equations approach, to which scalable gradient-based algorithms can be applied. Theoretically, we provide a unified analysis of the smoothed sequential estimator and its penalized counterpart in increasing dimensions. When the covariate dimension grows with the sample size at a sublinear rate, we establish the uniform convergence rate (over a range of quantile indexes) and provide a rigorous justification for the validity of a multiplier bootstrap procedure for inference. In high-dimensional sparse settings, our results considerably improve the existing work on CQR by relaxing an exponential term of sparsity. We also demonstrate the advantage of the smoothed CQR over existing methods with both simulated experiments and data applications.