Joint Quantile Shrinkage: A State-Space Approach toward Non-Crossing Bayesian Quantile Models
联合分位数收缩：面向非交叉贝叶斯分位数模型的状态空间方法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：摘要的核心是条件分位数联合估计与非交叉约束，明确支持分位数方向，状态空间类比不足以另选时间序列。
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
联合分位数收缩：面向非交叉贝叶斯分位数模型的状态空间方法
- 研究问题
- 如何联合估计多个条件分位数并抑制拟合曲线交叉，同时保留跨分位数的参数差异和有效的后验计算？
- 方法与思路
- 作者对跨分位数变化设置具有分位数适应性的融合收缩先验，从决策论广义贝叶斯视角构造后验及分位数变参数模型。
- 材料陈述的贡献
- 摘要称该框架具有状态空间解释并配套高效采样算法，在模拟和宏观多变量分位数应用中改善参数恢复与预测表现。
- 阅读关注点
- 应核对非交叉是软惩罚还是严格保证、损失与先验的设定，以及状态空间沿分位数变化的含义和比较方法的调参公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未说明是否完全排除交叉，报告的性能改善限于所用模拟与应用。
原文摘要
Crossing of fitted conditional quantiles is a prevalent problem for quantile regression models. We propose a new Bayesian modelling framework that penalises multiple quantile regression functions toward the desired non-crossing space. We achieve this by estimating multiple quantiles jointly with a prior on variation across quantiles, a fused shrinkage prior with quantile adaptivity. The posterior is derived from a decision-theoretic general Bayes perspective, whose form yields a natural state-space interpretation aligned with Time-Varying Parameter (TVP) models. Taken together our approach leads to a Quantile-Varying Parameter (QVP) model, for which we develop efficient sampling algorithms. We demonstrate that our proposed modelling framework provides superior parameter recovery and predictive performance compared to competing Bayesian and frequentist quantile regression estimators in simulated experiments and a real-data application to multivariate quantile estimation in macroeconomics.