Segmented Model Selection in Quantile Regression Using the Minimum Description Length Principle
基于最小描述长度原则的分段分位数回归模型选择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：摘要明确研究分位数回归，并联合选择序列分段和断点，直接涉及分布建模与结构变化。
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…
基于最小描述长度原则的分段分位数回归模型选择
- 研究问题
- 如何对观测序列的分位数关系同时进行分段和变量选择，从而识别不同区段的回归结构及其相关解释变量？
- 方法与思路
- 作者用最小描述长度原则构造惩罚准则，选择分段分位数回归模型，并采用遗传算法求解相应优化问题。
- 材料陈述的贡献
- 摘要称程序可自动联合完成分段与变量选择，无需反复假设检验或指定调节参数，并给出大样本性质与经验比较。
- 阅读关注点
- 应核对描述长度惩罚如何编码断点与变量、遗传算法的解是否稳定，以及大样本结果允许的断点和模型复杂度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体渐近条件与比较结果未说明，无需调参不等于不存在算法设置。
原文摘要
This article proposes new model-fitting techniques for quantiles of an observed data sequence, including methods for data segmentation and variable selection. The main contribution, however, is in providing a means to perform these two tasks simultaneously. This is achieved by matching the data with the best-fitting piecewise quantile regression model, where the fit is determined by a penalization derived from the minimum description length principle. The resulting optimization problem is solved with the use of genetic algorithms. The proposed, fully automatic procedures are, unlike traditional break point procedures, not based on repeated hypothesis tests, and do not require, unlike most variable selection procedures, the specification of a tuning parameter. Theoretical large-sample properties are derived. Empirical comparisons with existing break point and variable selection methods for quantiles indicate that the new procedures work well in practice.