Lack-of-Fit Tests for Quantile Regression Models
分位数回归模型的失拟检验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：摘要明确研究参数分位数回归的模型检验，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…
关注这篇论文的作者
分位数回归模型的失拟检验
- 研究问题
- 如何检验参数分位数回归模型是否失拟，尤其在协变量数量较多、甚至超过样本量时，如何维持有效的检验功效？
- 方法与思路
- 作者将失拟检验转化为协变量两个条件分布的相等性检验，借用双样本检验统计量，分别构造低维与高维方法。
- 材料陈述的贡献
- 摘要称，高维检验在协变量数超过样本量时仍可保持功效，且原假设分布有显式形式；模拟和两个实例用于展示表现。
- 阅读关注点
- 应核对条件分布转化的依据、参数估计的影响、高维原假设分布的适用条件，以及模拟中的水平控制和备择设定。
- 阅读边界
- 仅依据所给Crossref摘要；摘要未说明维度增长、协变量结构等条件及数值结果，不能据此保证任意高维场景中的功效。
原文摘要
Summary The paper novelly transforms lack-of-fit tests for parametric quantile regression models into checking the equality of two conditional distributions of covariates. Accordingly, by applying some successful two-sample test statistics in the literature, two tests are constructed to check the lack of fit for low and high dimensional quantile regression models. The low dimensional test works well when the number of covariates is moderate, whereas the high dimensional test can maintain the power when the number of covariates exceeds the sample size. The null distribution of the high dimensional test has an explicit form, and the p-values or critical values can then be calculated directly. The finite sample performance of the tests proposed is examined by simulation studies, and their usefulness is further illustrated by two real examples.