Valid Post-Selection Inference in High-Dimensional Approximately Sparse Quantile Regression Models
高维近似稀疏分位数回归模型的有效选择后推断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：摘要明确以条件分位数回归系数和连续分位数指标的推断为研究对象，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…
高维近似稀疏分位数回归模型的有效选择后推断
- 研究问题
- 当解释变量数量可能超过样本量且条件分位数仅能被稀疏模型近似时，如何对目标系数构造稳健有效的置信区域？
- 方法与思路
- 作者以显式或隐式的正交得分函数降低适度模型选择误差的影响，并将推断扩展到多个目标变量和连续分位数指标。
- 材料陈述的贡献
- 摘要称建立目标分位数回归系数置信区域的一致有效性，并通过蒙特卡洛实验与儿童营养不良风险因素应用展示表现。
- 阅读关注点
- 全文应核对近似稀疏性、正交得分及干扰参数估计要求，并检查连续分位数推断的覆盖范围和经验应用中的系数解释。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未列出完整正则条件，也未说明目标系数的因果识别。
原文摘要
This work proposes new inference methods for a regression coefficient of interest in a (heterogeneous) quantile regression model. We consider a high-dimensional model where the number of regressors potentially exceeds the sample size but a subset of them suffice to construct a reasonable approximation to the conditional quantile function. The proposed methods are (explicitly or implicitly) based on orthogonal score functions that protect against moderate model selection mistakes, which are often inevitable in the approximately sparse model considered in the present paper. We establish the uniform validity of the proposed confidence regions for the quantile regression coefficient. Importantly, these methods directly apply to more than one variable and a continuum of quantile indices. In addition, the performance of the proposed methods is illustrated through Monte-Carlo experiments and an empirical example, dealing with risk factors in childhood malnutrition.