Improved quantile inference via fixed-smoothing asymptotics and Edgeworth expansion
基于固定平滑渐近与埃奇沃思展开的分位数推断改进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：摘要研究样本分位数检验，并明确扩展到两样本分位数处理效应推断。
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
基于固定平滑渐近与埃奇沃思展开的分位数推断改进
- 研究问题
- 使用分位数间距估计样本分位数方差时，如何计入平滑参数带来的不确定性，并改善检验尺寸和分位数处理效应推断？
- 方法与思路
- 作者固定分位数间距的平滑参数，构造含相关埃奇沃思展开项的极限分布，并在控制尺寸的约束下选择检验功效最优参数。
- 材料陈述的贡献
- 摘要称固定参数近似在两种渐近框架下更准确；模拟显示尺寸控制改善且保持良好功效，并给出两样本分位数处理效应结果。
- 阅读关注点
- 应核对固定平滑分布的形式、最优参数选择所用信息，以及两样本分位数处理效应推断所需的抽样和识别条件。
- 阅读边界
- 仅据所给出版社摘要，无法确定改进成立的分布范围或幅度；摘要虽称有在线代码，但未提供可据此核验的实现细节。
原文摘要
To estimate a sample quantile’s variance, the quantile spacing method involves smoothing parameter m. When m,n→∞, the corresponding Studentized test statistic is asymptotically N(0,1). Holding m fixed instead, the asymptotic distribution contains the Edgeworth expansion term capturing the variance of the quantile spacing. Consequently, the fixed-m distribution is more accurate than the standard normal under both asymptotic frameworks. A testing-optimal m is proposed to maximize power subject to size control. In simulations, the new method controls size better than similar methods while maintaining good power. Throughout are results for two-sample quantile treatment effect inference. Code is available online.