Nonparametric Multiple-Output Center-Outward Quantile Regression
非参数多输出中心向外分位数回归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：摘要直接研究多输出条件分位数、概率区域及非参数分位数回归。
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…
非参数多输出中心向外分位数回归
- 研究问题
- 对于多维响应变量，如何构造具有指定概率含量、彼此嵌套且可解释的条件分位数轮廓、区域和回归管状集合？
- 方法与思路
- 作者利用测度传输定义多变量中心向外分位数，构造条件轮廓与区域及对应回归管状集合，并建立其非参数经验版本。
- 材料陈述的贡献
- 摘要称这些集合具有不依赖底层分布的指定概率含量，经验集合在 Pompeiu–Hausdorff 拓扑下可一致重建总体版本。
- 阅读关注点
- 应核对条件与无条件概率含量的区别、经验集合的构造方式、一致性条件，以及异方差和非线性趋势下的模拟设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；平滑选择、收敛速率和有限样本覆盖保证未说明，不能推断刊本变化。
原文摘要
–Building on recent measure-transportation-based concepts of multivariate quantiles, we are considering the problem of nonparametric multiple-output quantile regression. Our approach defines nested conditional center-outward quantile regression contours and regions with given conditional probability content, the graphs of which constitute nested center-outward quantile regression tubes with given unconditional probability content; these (conditional and unconditional) probability contents do not depend on the underlying distribution—an essential property of quantile concepts. Empirical counterparts of these concepts are constructed, yielding interpretable empirical contours, regions, and tubes which are shown to consistently reconstruct (in the Pompeiu-Hausdorff topology) their population versions. Our method is entirely non-parametric and performs well in simulations—with possible heteroskedasticity and nonlinear trends. Its potential as a data-analytic tool is illustrated on some real datasets.