Quantile regression with measurement errors
含测量误差的分位数回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主题为分位数回归估计方法，直接对应“分位数与分布效应”这一领域细分；其余细分方向在摘要中无文本依据。
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
含测量误差的分位数回归
- 研究问题
- 研究问题：在协变量存在正态测量误差的情形下，如何对一般（线性与非线性）分位数回归模型进行一致估计。
- 方法与思路
- 方法思路：作者提出新估计量，用核平滑处理分位数回归的不连续性，并通过延拓到复数域与矩母函数来应对非线性，适用于线性与非线性分位数回归。
- 材料陈述的贡献
- 摘要所述贡献：作者称该估计量在温和条件下达到标准的根号n一致性与渐近正态性，并通过数值模拟和日本2024年樱花开花时间实例展示表现，且称这是含正态测量误差的一般分位数回归问题中首个一致估计量。
- 阅读关注点
- 阅读时应核对：测量误差的具体识别假设与分布设定、核平滑带宽选择、复数域与矩母函数构造的可行性条件、“温和条件”的确切内容，以及模拟与实证设计是否支持所声称性质。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断假设是否可检验、估计量在有限样本下的表现、带宽敏感性及实证结论的稳健性；摘要未说明误差方差是否已知或需估计。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We devise a novel estimator for a general quantile regression model with normal measurement errors in the covariates. The method is applicable to both linear and nonlinear quantile regressions and does not impose the quantile requirement on multiple quantile levels simultaneously. We circumvent the difficulties caused by discontinuity in quantile regression through kernel smoothing, and overcome the nonlinearity inherent in quantile regression via considering extension to the complex domain and moment generating functions. We show that the resulting estimator achieves the standard root-$n$ consistency and asymptotic normality under mild conditions. The performance of the proposed method is illustrated via numerical simulations and a real data example related to Cherry Blossom times in Japan in 2024. This is the first consistent estimator in a general quantile regression problem with normal measurement errors.