COMPLETE SUBSET AVERAGING FOR QUANTILE REGRESSIONS
分位数回归的完全子集平均法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：摘要直接研究条件分位数回归与分位数预测，对应分位数与分布方向。
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
分位数回归的完全子集平均法
- 研究问题
- 在候选模型均可能误设、解释变量维数随样本量增长时，如何通过模型平均改善条件分位数预测，并选择参与平均的子集规模？
- 方法与思路
- 作者对给定规模的全部变量子集进行分位数回归，采用等权平均，再通过留一交叉验证选择子集规模，并研究其大样本性质。
- 材料陈述的贡献
- 摘要称该方法具有特定风险意义下的渐近最优性，并以蒙特卡洛模拟和实证应用考察有限样本表现；具体改善幅度未说明。
- 阅读关注点
- 应核对维数增长、模型误设和分位数水平的条件，渐近最优性对应的损失与比较集合，以及完全子集计算的实际成本。
- 阅读边界
- 仅据所给 Crossref 版本摘要，无法判断理论条件及实证优势是否适用于具体数据；摘要未给数值结果，也不能推断后续刊本变化。
原文摘要
We propose a novel conditional quantile prediction method based on complete subset averaging (CSA) for quantile regressions. All models under consideration are potentially misspecified, and the dimension of regressors goes to infinity as the sample size increases. Since we average over the complete subsets, the number of models is much larger than the usual model averaging method which adopts sophisticated weighting schemes. We propose to use an equal weight but select the proper size of the complete subset based on the leave-one-out cross-validation method. Building upon the theory of Lu and Su (2015, Journal of Econometrics 188, 40–58), we investigate the large sample properties of CSA and show the asymptotic optimality in the sense of Li (1987, Annals of Statistics 15, 958–975) We check the finite sample performance via Monte Carlo simulations and empirical applications.