Fast Algorithms for Quantile Regression with Selection
含样本选择的分位数回归快速算法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。
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：摘要直接研究含样本选择机制的分位数回归及其分位数过程计算。
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
含样本选择的分位数回归快速算法
- 研究问题
- 含自选择机制的分位数回归需要反复估计整个分位数过程并进行自助推断时，如何降低计算负担并保持估计精度？
- 方法与思路
- 作者结合分位数回归计算进展与选择模型特点，通过预处理和缩减分位数网格，加速 copula 及斜率参数的估计。
- 材料陈述的贡献
- 摘要称算法显著减少计算时间，模拟展示优化效果，并指出预处理可在保持计算效率的同时改善估计精度。
- 阅读关注点
- 应核对网格缩减的近似误差、预处理如何影响求解精度、非凸目标的优化结果，以及自助推断是否保留有效性。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或接收。摘要未说明识别条件、加速幅度和精度指标，不能判断各设置下的优势。
原文摘要
This paper addresses computational challenges in estimating Quantile Regression with Selection (QRS). The estimation of the parameters that model self-selection requires the estimation of the entire quantile process several times. Moreover, closed-form expressions of the asymptotic variance are too cumbersome, making the bootstrap more convenient to perform inference. Taking advantage of recent advancements in the estimation of quantile regression, along with some specific characteristics of the QRS estimation problem, I propose streamlined algorithms for the QRS estimator. These algorithms significantly reduce computation time through preprocessing techniques and quantile grid reduction for the estimation of the copula and slope parameters. I show the optimization enhancements with some simulations. Lastly, I show how preprocessing methods can improve the precision of the estimates without sacrificing computational efficiency. Hence, they constitute a practical solutions for estimators with non-differentiable and non-convex criterion functions such as those based on copulas.