Unconditional Quantile Regression for Streaming Datasets
流式数据的无条件分位数回归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：研究对象明确为无条件分位数回归，直接属于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
流式数据的无条件分位数回归
- 研究问题
- 数据持续分批到达且不重新读取全部历史样本时，如何计算无条件分位数回归，并保留与全样本估计相当的渐近性质？
- 方法与思路
- 作者提出平滑逻辑回归估计，再构造适用于流式数据的可更新估计量；每次更新仅使用当前数据与历史数据的汇总统计量。
- 材料陈述的贡献
- 摘要称，新估计量与直接使用全部数据的标准版本具有等价渐近性质且不增加约束，并通过模拟和真实数据展示有限样本表现。
- 阅读关注点
- 应核对平滑损失的具体形式、历史汇总量及更新算法，并检查批次规模、平滑参数和渐近等价结论所依赖的基础条件。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；基础正则条件及计算收益未说明，“不增加约束”不能理解为无条件成立，亦不能推断刊本变化。
原文摘要
The Unconditional Quantile Regression (UQR) method, initially introduced by Firpo et al. has gained significant traction as a popular approach for modeling and analyzing data.However, much like Conditional Quantile Regression (CQR), UQR encounters computational challenges when it comes to obtaining parameter estimates for streaming datasets.This is attributed to the involvement of unknown parameters in the logistic regression loss function used in UQR, which presents obstacles in both computational execution and theoretical development.To address this, we present a novel approach involving smoothing logistic regression estimation.Subsequently, we propose a renewable estimator tailored for UQR with streaming data, relying exclusively on current data and summary statistics derived from historical data.Theoretically, our proposed estimators exhibit equivalent asymptotic properties to the standard version computed directly on the entire dataset, without any additional constraints.Both simulations and real data analysis are conducted to illustrate the finite sample performance of the proposed methods.