Multivariate quantile regression
多元分位数回归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：摘要的核心方法是通过联合条件分布定义并估计多元分位数和边际效应。
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…
多元分位数回归
- 研究问题
- 如何通过联合条件分布的概率结构定义多元分位数，并构造能够解释协变量边际影响、适应不同依赖结构的回归方法？
- 方法与思路
- 作者从多元条件分布函数出发，利用条件化机制导出的序贯一元分位数回归构造多元分位数曲线，并研究估计渐近性质。
- 材料陈述的贡献
- 摘要称提出新的多元分位数框架、建立理论基础，并通过模拟考察有限样本表现，应用于阿根廷的汇率传递分析。
- 阅读关注点
- 应核对多元分位数曲线的精确定义、变量排序与条件化的作用，以及边际效应解释、渐近条件和依赖结构下的表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供定理条件、模拟数值或实证结论，不能确认其普遍稳健性。
原文摘要
This paper introduces a new framework for multivariate quantile regression based on the multivariate distribution function, termed multivariate quantile regression (MQR). In contrast to existing approaches--such as directional quantiles, vector quantile regression, or copula-based methods--MQR defines quantiles through the conditional probability structure of the joint conditional distribution function. The method constructs multivariate quantile curves using sequential univariate quantile regressions derived from conditioning mechanisms, allowing for an intuitive interpretation and flexible estimation of marginal effects. The paper develops theoretical foundations of MQR, including asymptotic properties of the estimators. Through simulation exercises, the estimator demonstrates robust finite sample performance across different dependence structures. As an empirical application, the MQR framework is applied to the analysis of exchange rate pass-through in Argentina from 2004 to 2024.