Percentile Regression: A Parametric Approach
百分位回归：参数化方法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：摘要直接研究百分位回归以及位置、尺度与残差分布约束，符合分位数与分布方向。
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
百分位回归：参数化方法
- 研究问题
- 当回归模型把百分位数设为解释变量的函数时，这些模型要求会怎样约束残差分布，显式参数假设又能带来什么作用？
- 方法与思路
- 作者以正态误差的线性位置与尺度模型说明显式提出并检验分布假设的作用，并将该方法应用于教授薪资数据。
- 材料陈述的贡献
- 摘要指出，未显式假设误差分布并不意味着其他模型设定没有分布约束，并通过实例展示参数化百分位回归的优势。
- 阅读关注点
- 应核对百分位函数对残差分布施加的约束、位置与尺度模型的设定，以及正态假设的检验和薪资实例中的比较依据。
- 阅读边界
- 依据版本未注明的 OpenAlex 摘要；参数化优势仅在所述模型与实例中展示，摘要未提供检验结果或一般性优越结论。
原文摘要
For situations in which no assumptions are explicitly made about error distributions, other model assumptions may imply constraints on the form of the residual distribution. This is true of regression models which assume that percentiles are functions of the regressor variable. Hogg (1975) used a procedure based on signs of residuals to fit linear percentile models. Advantages of making (and testing!) explicit parametric assumptions in this context are illustrated using a linear model for scale and location with normal errors. This is applied to the data on professors' salaries discussed by Hogg.