Robust Estimation of Additive Boundaries With Quantile Regression and Shape Constraints
结合分位数回归与形状约束的加性边界稳健估计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：摘要明确采用条件分位数回归估计加性边界，并用真实数据估计生产函数，因此与分位数方法这一方向直接相关。
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…
结合分位数回归与形状约束的加性边界稳健估计
- 研究问题
- 当集合边界具有平滑性、形状约束及加性结构时，如何在存在异常值或异质性的情况下进行稳健估计？
- 方法与思路
- 作者基于条件分位数回归构造样条边界估计量，并纳入加性结构与形状约束，以增强对异常值和极端观测的抵抗力。
- 材料陈述的贡献
- 摘要称，理论分析给出均匀相合性，模拟中在异常值或异质性存在时优于所比方法，并展示两个生产函数估计应用。
- 阅读关注点
- 阅读全文时应核对所用分位数与集合边界的关系、样条及形状约束的实现，以及异常值稳健性和相合性成立的条件。
- 阅读边界
- 摘要未说明具体形状限制、分位数选择、边界附近的数据条件或比较指标，不能据此确认任意污染程度下都保持稳健。
原文摘要
We consider the estimation of the boundary of a set when it is known to be sufficiently smooth, to satisfy certain shape constraints and to have an additive structure. Our proposed method is based on spline estimation of a conditional quantile regression and is resistant to outliers and/or extreme values in the data. This work is a desirable extension of existing works in the literature and can also be viewed as an alternative to existing estimators that have been used in empirical analysis. The results of a Monte Carlo study show that the new method outperforms the existing methods when outliers or heterogeneity are present. Our theoretical analysis indicates that our proposed boundary estimator is uniformly consistent under a set of standard assumptions. We illustrate practical use of our method by estimating two production functions using real-world datasets.