Joint Estimation of Quantile Planes Over Arbitrary Predictor Spaces
任意预测变量空间上的分位数平面联合估计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：摘要直接研究多个条件分位数平面的联合估计与不交叉约束，属于分位数与分布方向。
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
任意预测变量空间上的分位数平面联合估计
- 研究问题
- 如何在任意维度、任意形状的凸预测变量域上联合估计线性分位数平面，保证不同分位水平之间不交叉并便于计算？
- 方法与思路
- 作者以无约束标量、向量和函数参数刻画不交叉分位数平面，结合函数参数的高斯过程先验与 MCMC，建立贝叶斯拟合方法。
- 材料陈述的贡献
- 摘要称参数化支持快速似然计算，并在一定尾部与正则条件下获得后验一致性；所列示例显示准确性、覆盖与拟合有所改善。
- 阅读关注点
- 应核对不交叉性质与凸预测域的关系、参数化的表示范围、先验和尾部条件，以及比较中的评价指标和预测域设定。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要，无法核对刊本变化；题名中的任意空间在摘要中限定为凸域，改善结论限于所列示例。
原文摘要
In spite of the recent surge of interest in quantile regression, joint estimation of linear quantile planes remains a great challenge in statistics and econometrics. We propose a novel parameterization that characterizes any collection of noncrossing quantile planes over arbitrarily shaped convex predictor domains in any dimension by means of unconstrained scalar, vector and function valued parameters. Statistical models based on this parameterization inherit a fast computation of the likelihood function, enabling penalized likelihood or Bayesian approaches to model fitting. We introduce a complete Bayesian methodology by using Gaussian process prior distributions on the function valued parameters and develop a robust and efficient Markov chain Monte Carlo parameter estimation. The resulting method is shown to offer posterior consistency under mild tail and regularity conditions. We present several illustrative examples where the new method is compared against existing approaches and is found to offer better accuracy, coverage and model fit. Supplementary materials for this article are available online.