Composite quantile regression and the oracle model selection theory
复合分位数回归与模型选择的预言机理论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：摘要以多个分位数构成回归估计方法，直接对应分位数与分布方法方向。
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…
复合分位数回归与模型选择的预言机理论
- 研究问题
- 在线性回归中，误差方差无限时如何开展系数估计与变量选择，以及有限方差时如何比较其与最小二乘的效率？
- 方法与思路
- 作者提出复合分位数回归及具有预言机性质的变量选择程序，分别研究无限方差下的理论和有限方差下的相对效率。
- 材料陈述的贡献
- 摘要称该方法在无限误差方差下仍有预言机理论；有限方差时，相对最小二乘的效率大于七成，某些情形更高。
- 阅读关注点
- 阅读全文时应核对分位点组合、变量选择程序和正则条件，尤其是相对效率下界与无限方差结论的准确适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；效率结论属于摘要中的理论陈述，不能据此保证任意样本或实现均优于最小二乘。
原文摘要
Coefficient estimation and variable selection in multiple linear regression is routinely done in the (penalized) least squares (LS) framework. The concept of model selection oracle introduced by Fan and Li [J. Amer. Statist. Assoc. 96 (2001) 1348–1360] characterizes the optimal behavior of a model selection procedure. However, the least-squares oracle theory breaks down if the error variance is infinite. In the current paper we propose a new regression method called composite quantile regression (CQR). We show that the oracle model selection theory using the CQR oracle works beautifully even when the error variance is infinite. We develop a new oracular procedure to achieve the optimal properties of the CQR oracle. When the error variance is finite, CQR still enjoys great advantages in terms of estimation efficiency. We show that the relative efficiency of CQR compared to the least squares is greater than 70% regardless the error distribution. Moreover, CQR could be much more efficient and sometimes arbitrarily more efficient than the least squares. The same conclusions hold when comparing a CQR-oracular estimator with a LS-oracular estimator.