Correcting the Coverage Bias of Quantile Regression
校正分位数回归的覆盖偏差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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主题为分位数回归预测的覆盖校正与校准，直接对应“分位数与分布效应”这一细分方向。
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…
校正分位数回归的覆盖偏差
- 研究问题
- 摘要称，研究如何调整分位数回归的预测值以保证覆盖（coverage），并处理高维过拟合带来的偏差。
- 方法与思路
- 作者提出一组模型无关的调整方法，仅需极少假设；理论结果显示估计量在维度与样本量之比趋于常数的比例渐近框架下具有一致性并可实现准确校准，并用模拟与真实数据实验加以验证。方法的关键是建立留一覆盖与分位数回归对偶形式中变量拟合值之间的新联系，从而以显著降低的计算成本在多种情形下使用交叉验证。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：一套模型无关的分位数回归覆盖校正方法；在比例渐近框架下的一致性理论结果；留一覆盖与对偶问题拟合值之间的新联系，使交叉验证计算成本大幅下降。
- 阅读关注点
- 阅读全文时应核对：覆盖校正的具体构造与所需假设；比例渐近下一致性与校准结论的证明条件；留一覆盖与对偶拟合值联系的推导；模拟与真实数据的设置、评价指标及计算成本比较。
- 阅读边界
- 仅凭摘要无法判断方法的实际有限样本表现、假设的可检验性与适用范围，也无法核实理论证明与实验细节；摘要未说明具体数据集、数值结果与对比基准。该文为 arXiv 预印本（v2），未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We develop a collection of methods for adjusting the predictions of quantile regression to ensure coverage. Our methods are model agnostic and can be used to correct for high-dimensional overfitting bias with only minimal assumptions. Theoretical results show that the estimates we develop are consistent and facilitate accurate calibration in the proportional asymptotic regime where the ratio of the dimension of the data and the sample size converges to a constant. This is further confirmed by experiments on both simulated and real data. A key component of our work is a new connection between the leave-one-out coverage and the fitted values of variables appearing in a dual formulation of the quantile regression problem. This facilitates the use of cross-validation in a variety of settings at significantly reduced computational costs.