Incorporating Graphical Structure of Predictors in Sparse Quantile Regression
在稀疏分位数回归中纳入预测变量的图结构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：摘要以高维稀疏分位数回归为核心，并利用解释变量间的图结构改进估计、选择与预测，直接对应分位数方向。
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…
在稀疏分位数回归中纳入预测变量的图结构
- 研究问题
- 在高维异质数据的稀疏分位数回归中，如何利用预测变量之间的图结构，改善参数估计、变量选择和预测表现？
- 方法与思路
- 作者将预测变量之间的图结构融入稀疏分位数回归，并用带线性化步骤的交替方向乘子法实现数值估计。
- 材料陈述的贡献
- 摘要称，方法在一定条件下具有模型选择一致性和预言性质，算法收敛得到论证，模拟显示估计与预测表现优于所比较方法。
- 阅读关注点
- 核对图结构的来源与使用方式、选择一致性和预言性质的条件，以及算法收敛与估计、预测比较的具体设置。
- 阅读边界
- 摘要未说明图结构是否已知、具体正则化形式和实际数据背景；所称性能优势不能直接推广到任意图结构或样本。
原文摘要
Quantile regression in high-dimensional settings is useful in analyzing high-dimensional heterogeneous data. In this article, different from existing methods in quantile regression which treat all the predictors equally with the same priori, we take advantage of the graphical structure among predictors to improve the performance of parameter estimation, model selection, and prediction in sparse quantile regression. It is shown under mild conditions that the proposed method enjoys the model selection consistency and the oracle properties. An alternating direction method of multipliers algorithm with a linearization technique is proposed to implement the proposed method numerically, and its convergence is justified. Simulation studies are conducted, showing that the proposed method is superior to existing methods in terms of estimation accuracy and predictive power. The proposed method is also applied to a real dataset.