Local Linear Quantile Regression
局部线性分位数回归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。
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：摘要直接研究条件分位数的非参数估计与平滑参数选择。
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
局部线性分位数回归
- 研究问题
- 如何通过核加权局部线性拟合估计条件分位数，并为直接拟合与条件分布反演两条路径选择可操作的平滑参数？
- 方法与思路
- 作者比较局部化分位数损失最小化与局部线性条件分布反演；后者使用两个平滑参数，并提出自动选择方法。
- 材料陈述的贡献
- 摘要称，两种方法均形成可实施的估计程序，并提出借鉴均值回归平滑方法的参数选择规则，以模拟和数据示例比较。
- 阅读关注点
- 应核对两类估计量的定义、分布反演的实施方式、两个平滑参数如何协调，以及模拟比较和边界处理的设定。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；损失函数记号提取不清，需查原 PDF，不能据摘要偏好断言普遍优越。
原文摘要
In this article we study nonparametric regression quantile estimation by kernel weighted local linear fitting. Two such estimators are considered. One is based on localizing the characterization of a regression quantile as the minimizer of E{pp (Y — a)|X = x}, where ρp is the appropriate “check” function. The other follows by inverting a local linear conditional distribution estimator and involves two smoothing parameters, rather than one. Our aim is to present fully operational versions of both approaches and to show that each works quite well; although either might be used in practice, we have a particular preference for the second. Our automatic smoothing parameter selection method is novel; the main regression quantile smoothing parameters are chosen by rule-of-thumb adaptations of state-of-the-art methods for smoothing parameter selection for regression mean estimation. The techniques are illustrated by application to two datasets and compared in simulations.