Local Polynomial Quantile Regression With Parametric Features
具有参数模型特征的局部多项式分位数回归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：摘要明确研究条件分位数函数及分位数回归估计。
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
具有参数模型特征的局部多项式分位数回归
- 研究问题
- 如何在条件分位数估计中利用可能正确也可能误设的全局参数模型，同时保留局部非参数方法适应模型偏离的能力？
- 方法与思路
- 作者在各设计点用核平滑局部调整参数先导模型，推导 Bahadur 型表示，并在 α 混合条件下建立渐近理论及插入式带宽选择。
- 材料陈述的贡献
- 摘要称参数起点正确时估计量呈参数估计行为，偏离真实模型时趋向非参数解，并给出一致性、渐近正态性及数值实现。
- 阅读关注点
- 应核对参数起点误设如何影响偏差与收敛、α 混合条件的具体要求，以及带宽选择和模拟中参数与非参数基准的设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明适应行为的具体速率及全部条件，不能据此声称对任意模型误设均稳健。
原文摘要
We propose a new approach to conditional quantile function estimation that combines both parametric and nonparametric techniques. At each design point, a global, possibly incorrect, pilot parametric model is locally adjusted through a kernel smoothing fit. The resulting quantile regression estimator behaves like a parametric estimator when the latter is correct and converges to the nonparametric solution as the parametric start deviates from the true underlying model. We give a Bahadur-type representation of the proposed estimator from which consistency and asymptotic normality are derived under an α -mixing assumption. We also propose a practical bandwidth selector based on the plug-in principle and discuss the numerical implementation of the new estimator. Finally, we investigate the performance of the proposed method via simulations and illustrate the methodology with a data example.