LOCAL COMPOSITE QUANTILE REGRESSION SMOOTHING: A FLEXIBLE DATA STRUCTURE AND CROSS-VALIDATION
局部复合分位数回归平滑：混合数据结构与交叉验证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：摘要直接以局部复合分位数回归为研究对象，并考察混合协变量下的估计与平滑参数，故归入分位数与分布方向。
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…
关注这篇论文的作者
局部复合分位数回归平滑：混合数据结构与交叉验证
- 研究问题
- 如何将局部复合分位数回归扩展到类别与连续协变量混合的数据，并说明交叉验证选择的平滑参数如何趋近最优基准？
- 方法与思路
- 作者为混合协变量构造局部复合分位数估计，研究交叉验证带宽选择的理论性质，并分别推导类别与连续变量参数的收敛速率。
- 材料陈述的贡献
- 摘要称在一定条件下得到交叉验证平滑参数的收敛速率；模拟可能显示较局部线性估计更高效率，住房数据展示稳健性。
- 阅读关注点
- 应核对类别变量的平滑方式、复合分位数的组合规则、最优带宽基准与交叉验证目标，以及效率和稳健性的评价条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；所谓温和条件、具体速率和效率增益数值未说明，不能将模拟优势推广到全部数据或推断刊本变化。
原文摘要
In this paper, we study the local composite quantile regression estimator for mixed categorical and continuous data. The local composite quantile estimator is an efficient and safe alternative to the local polynomial method and has been well-studied for continuous covariates. Generalization of the local composite quantile regression estimator to a flexible data structure is appealing to practitioners as empirical studies often encounter categorical data. Furthermore, we study the theoretical properties of the cross-validated bandwidth selection for the local composite quantile estimator. Under mild conditions, we derive the rates of convergence of the cross-validated smoothing parameters to their optimal benchmark values for both categorical and continuous covariates. Monte Carlo experiments show that the proposed estimator may have large efficiency gains compared with the local linear estimator. Furthermore, we illustrate the robustness of the local composite quantile estimator using the Boston housing dataset.