Sequential quantile regression for stream data by least squares
通过最小二乘实现流数据序贯分位数回归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：摘要直接研究分位数回归及复合分位数回归的序贯估计与推断。
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…
通过最小二乘实现流数据序贯分位数回归
- 研究问题
- 面对无法永久保存且持续到达的大规模流数据，如何快速更新分位数回归，并保留估计和统计推断的性质？
- 方法与思路
- 作者提出 SQR 序贯算法，将分位数回归的非光滑优化转化为最小二乘问题，并将方法扩展至复合分位数回归。
- 材料陈述的贡献
- 摘要称，算法避免局部线性规划求解，并在一定条件下具有无偏性、渐近正态性和线性收敛速度，另展示二手车应用。
- 阅读关注点
- 应核对最小二乘转化的具体机制、无偏性适用对象、流数据更新所保留的信息，以及算法收敛与统计收敛的区别。
- 阅读边界
- 仅据 OpenAlex 所列摘要；所谓温和条件、速度比较和推断数值未说明，不能认定任意流数据下都无偏或更快。
原文摘要
Massive stream data are common in modern economics applications, such as e-commerce and finance. They cannot be permanently stored due to storage limitation, and real-time analysis needs to be updated frequently as new data become available. In this paper, we develop a sequential algorithm, SQR, to support efficient quantile regression (QR) analysis for stream data. Due to the non-smoothness of the check loss, popular gradient-based methods do not directly apply. Our proposed algorithm, partly motivated by the Bayesian QR, converts the non-smooth optimization into a least squares problem and is hence significantly faster than existing algorithms that all require solving a linear programming problem in local processing. We further extend the SQR algorithm to composite quantile regression (CQR), and prove that the SQR estimator is unbiased, asymptotically normal and enjoys a linear convergence rate under mild conditions. We also demonstrate the estimation and inferential performance of SQR through simulation experiments and a real data example on a US used car price data set.