A Bayesian Approach to Multiple-Output Quantile Regression
多输出分位数回归的贝叶斯方法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：摘要直接研究多输出分位数与联合成绩分布，对应分位数与分布方向；实验应用的因果识别细节未提供。
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
多输出分位数回归的贝叶斯方法
- 研究问题
- 如何对多个结局的联合分位数结构进行贝叶斯建模，并用联合分布分析补充平均效应无法揭示的教育成绩变化？
- 方法与思路
- 作者提出多输出分位数模型，以 Tukey 深度轮廓到中位数的距离表达先验知识，并给出条件回归方案和 STAR 实验应用。
- 材料陈述的贡献
- 摘要称无条件模型具有一致性并可获得渐近正确的频率学置信区间；应用中，所检查分位数子群的数学与阅读成绩共同提高。
- 阅读关注点
- 应区分无条件模型的理论保证与条件回归方案，核对深度轮廓先验的构造，以及实验分析中的子群定义和检查范围。
- 阅读边界
- 仅据版本未注明的索引摘要；条件回归的理论保证未说明，所检查子群未下降不能推广为每个学生或所有子群均受益。
原文摘要
This paper presents a Bayesian approach to multiple-output quantile regression. The unconditional model is proven to be consistent and asymptotically correct frequentist confidence intervals can be obtained. The prior for the unconditional model can be elicited as the ex-ante knowledge of the distance of the tau-Tukey depth contour to the Tukey median, the first prior of its kind. A proposal for conditional regression is also presented. The model is applied to the Tennessee Project Steps to Achieving Resilience (STAR) experiment and it finds a joint increase in tau-quantile subpopulations for mathematics and reading scores given a decrease in the number of students per teacher. This result is consistent with, and much stronger than, the result one would find with multiple-output linear regression. Multiple-output linear regression finds the average mathematics and reading scores increase given a decrease in the number of students per teacher. However, there could still be subpopulations where the score declines. The multiple-output quantile regression approach confirms there are no quantile subpopulations (of the inspected subpopulations) where the score declines. This is truly a statement of `no child left behind' opposed to `no average child left behind.'