Partially linear additive quantile regression in ultra-high dimension
超高维部分线性可加分位数回归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：摘要以条件分位数、分位数间稀疏差异和多分位数估计为核心，直接对应分位数与分布方法。
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
超高维部分线性可加分位数回归
- 研究问题
- 如何在超高维异质数据中同时处理非线性关系与变量选择，并允许不同条件分位数具有不同的稀疏结构？
- 方法与思路
- 作者用 B 样条近似非线性成分，研究已知非零成分时的估计，再结合非凸惩罚、凸差分方法与经验过程技术进行选择和估计。
- 材料陈述的贡献
- 摘要称在超高维协变量下建立一类非凸惩罚估计量的 oracle 性质，并以模拟和微阵列数据展示表现，讨论多分位数扩展。
- 阅读关注点
- 应核对维数与稀疏度的增长条件、样条复杂度和惩罚参数选择，以及 oracle 性质、多分位数扩展和重尾稳健性的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体条件、算法收敛与数值结果未给出，不能将 oracle 性质理解为有限样本必然选对变量。
原文摘要
We consider a flexible semiparametric quantile regression model for analyzing high dimensional heterogeneous data. This model has several appealing features: (1) By considering different conditional quantiles, we may obtain a more complete picture of the conditional distribution of a response variable given high dimensional covariates. (2) The sparsity level is allowed to be different at different quantile levels. (3) The partially linear additive structure accommodates nonlinearity and circumvents the curse of dimensionality. (4) It is naturally robust to heavy-tailed distributions. In this paper, we approximate the nonlinear components using B-spline basis functions. We first study estimation under this model when the nonzero components are known in advance and the number of covariates in the linear part diverges. We then investigate a nonconvex penalized estimator for simultaneous variable selection and estimation. We derive its oracle property for a general class of nonconvex penalty functions in the presence of ultra-high dimensional covariates under relaxed conditions. To tackle the challenges of nonsmooth loss function, nonconvex penalty function and the presence of nonlinear components, we combine a recently developed convex-differencing method with modern empirical process techniques. Monte Carlo simulations and an application to a microarray study demonstrate the effectiveness of the proposed method. We also discuss how the method for a single quantile of interest can be extended to simultaneous variable selection and estimation at multiple quantiles.