Asymptotic Theory and Phase Transitions for Variable Importance in Quantile Regression Forests
分位数回归森林变量重要性的渐近理论与相变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：摘要核心为分位数回归森林的条件分位数估计与 pinball 损失风险推断，直接对应分位数与分布效应方向。
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
分位数回归森林变量重要性的渐近理论与相变
- 研究问题
- 摘要称，分位数回归森林（QRF）广泛用于非参数条件分位数估计，但变量重要性度量的统计推断因损失函数非光滑与偏差-方差权衡而困难；本文研究以 pinball 损失风险差定义的变量重要性的渐近性质。
- 方法与思路
- 作者提出用 Knight 恒等式处理不可微的 pinball 损失，先建立 QRF 估计量的渐近正态性；再引入子采样率 β（s ≍ n^β），刻画由 β 控制的“相变”现象，并推导偏差主导区域下渐近偏差的解析形式。
- 材料陈述的贡献
- 摘要称主要贡献有三：建立 QRF 估计量的渐近正态性；证明在偏差主导区域（β≥1/2，即实践中为最大化预测精度常用的大子样本）标准推断失效，估计量收敛到确定性偏差常数而非零均值正态；给出该渐近偏差的显式解析形式并讨论解析偏差校正恢复有效推断的理论可行性。
- 阅读关注点
- 应核对：Knight 恒等式与渐近正态性所需的正则条件与识别假设；β 相变阈值的推导与 s ≍ n^β 的精确含义；偏差主导区域结论对子采样规模、树数量与维度的依赖；解析偏差校正的具体形式及其可行性论证是理论层面还是含数值验证。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文，不能据此声称已同行评审或期刊接收；摘要未说明具体假设、数据、模拟或实证结果，也未给出偏差解析式的具体形式与适用边界。
原文摘要
Quantile Regression Forests (QRF) are widely used for non-parametric conditional quantile estimation, yet statistical inference for variable importance measures remains challenging due to the non-smoothness of the loss function and the complex bias-variance trade-off. In this paper, we develop a asymptotic theory for variable importance defined as the difference in pinball loss risks. We first establish the asymptotic normality of the QRF estimator by handling the non-differentiable pinball loss via Knight's identity. Second, we uncover a "phase transition" phenomenon governed by the subsampling rate $β$ (where $s \asymp n^β$). We prove that in the bias-dominated regime ($β\ge 1/2$), which corresponds to large subsample sizes typically favored in practice to maximize predictive accuracy, standard inference breaks down as the estimator converges to a deterministic bias constant rather than a zero-mean normal distribution. Finally, we derive the explicit analytic form of this asymptotic bias and discuss the theoretical feasibility of restoring valid inference via analytic bias correction. Our results highlight a fundamental trade-off between predictive performance and inferential validity, providing a theoretical foundation for understanding the intrinsic limitations of random forest inference in high-dimensional settings.