High dimensional censored quantile regression
高维删失分位数回归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：摘要直接研究连续分位数水平上的回归函数与推断，对应分位数与分布方向。
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
高维删失分位数回归
- 研究问题
- 在高维删失生存数据中，如何估计连续分位数水平上的回归函数，并处理跨分位数递归估计带来的理论与计算困难？
- 方法与思路
- 作者提出两步惩罚程序，适配基于随机积分的估计方程，分析整个分位数范围上的收敛、弱收敛及变量选择性质。
- 材料陈述的贡献
- 摘要称，作者建立了所提估计量的一致收敛速率，并研究弱收敛与变量选择性质，以数值研究展示理论与实际用途。
- 阅读关注点
- 应核对删失机制、分位数范围、稀疏性和惩罚选择条件，关注两步程序如何控制递归误差及支持跨分位数推断。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；具体删失假设、收敛速率和变量选择结论未展开，不能据此认定任意高维设置均适用。
原文摘要
Censored quantile regression (CQR) has emerged as a useful regression tool for survival analysis. Some commonly used CQR methods can be characterized by stochastic integral-based estimating equations in a sequential manner across quantile levels. In this paper, we analyze CQR in a high dimensional setting where the regression functions over a continuum of quantile levels are of interest. We propose a two-step penalization procedure, which accommodates stochastic integral based estimating equations and address the challenges due to the recursive nature of the procedure. We establish the uniform convergence rates for the proposed estimators, and investigate the properties on weak convergence and variable selection. We conduct numerical studies to confirm our theoretical findings and illustrate the practical utility of our proposals.