Bayesian Smoothed Quantile Regression
贝叶斯平滑分位数回归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：摘要直接提出条件分位数回归方法，并应用于非对称系统性风险。
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
贝叶斯平滑分位数回归
- 研究问题
- 如何缓解非对称 Laplace 贝叶斯分位数回归的决策目标错配与非光滑计算问题，同时获得可靠的后验和频率学推断？
- 方法与思路
- 作者构造核平滑且完全可微的似然，利用目标函数的对称化性质改善推断，并采用 Hamiltonian Monte Carlo 计算。
- 材料陈述的贡献
- 摘要称建立后验一致性和错设下的 Bernstein–von Mises 定理，并报告相对基准的预测与采样改善及系统性风险应用。
- 阅读关注点
- 应核对平滑带宽与核选择、后验均值对应条件分位数的条件，以及错设下覆盖率和模拟性能比较的具体设定。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要报告的最高改善幅度不能代表所有情形，定理条件与金融应用校准仍需核对。
原文摘要
The standard asymmetric Laplace framework for Bayesian quantile regression (BQR) suffers from a fundamental decision-theoretic misalignment, yielding biased finite-sample estimates, and precludes gradient-based computation due to non-smoothness. We propose Bayesian smoothed quantile regression (BSQR), a principled framework built on a kernel-smoothed, fully differentiable likelihood. Methodologically, the symmetrizing property of our objective reduces inferential bias and aligns the posterior mean with the true conditional quantile. Theoretically, we establish posterior consistency and a Bernstein--von Mises theorem under misspecification, delivering asymptotic normality and valid frequentist coverage via a generalized Wilks phenomenon, while guaranteeing global posterior existence unlike empirical likelihood approaches. Computationally, BSQR enables Hamiltonian Monte Carlo for BQR, alleviating high-dimensional mixing bottlenecks. In simulations, BSQR reduces out-of-sample prediction error by up to 50% and improves sampling efficiency by up to 80% relative to asymmetric Laplace benchmarks, with uniform and triangular kernels performing particularly well. In a financial application to asymmetric systemic risk, BSQR uncovers distinct regime shifts around the COVID-19 period and yields sharper yet well-calibrated predictive quantiles, underscoring its practical relevance.