Quantile Regression With Measurement Error
含测量误差的分位数回归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：摘要明确研究测量误差下的线性分位数回归，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
含测量误差的分位数回归
- 研究问题
- 当协变量存在测量误差并导致回归分位数偏误时，如何校正这种偏误，获得一致的线性条件分位数估计？
- 方法与思路
- 作者构造在所有分位水平上同时成立的联合估计方程，以EM型迭代算法求解，并与标准回归校准方法进行模拟比较。
- 材料陈述的贡献
- 摘要称该方法能在协变量测量误差下实现一致的线性分位数估计，并以具有特殊误差结构的围产期生长数据示例。
- 阅读关注点
- 核对测量误差分布及辅助信息要求、多个分位水平如何联合求解，以及EM型算法的收敛、分位交叉和不确定性处理。
- 阅读边界
- 所据为版本未注明的索引摘要；摘要未说明误差机制的识别条件或比较的具体结果，不能认定适用于任意测量误差。
原文摘要
Regression quantiles can be substantially biased when the covariates are measured with error. In this paper we propose a new method that produces consistent linear quantile estimation in the presence of covariate measurement error. The method corrects the measurement error induced bias by constructing joint estimating equations that simultaneously hold for all the quantile levels. An iterative EM-type estimation algorithm to obtain the solutions to such joint estimation equations is provided. The finite sample performance of the proposed method is investigated in a simulation study, and compared to the standard regression calibration approach. Finally, we apply our methodology to part of the National Collaborative Perinatal Project growth data, a longitudinal study with an unusual measurement error structure.