Simultaneous multiple non-crossing quantile regression estimation using kernel constraints.
Simultaneous multiple non-crossing quantile regression estimation using kernel constraints.
复制标题
DOI：
10.1080/10485252.2010.537336
复制
发表时间：
2011-06
影响因子：
1.2
通讯作者：
Wu Y
中科院分区：
文献类型：
--
作者：
Liu Y;Wu Y
分位数回归(QR)是学习响应变量和协变量之间关系的一个非常有用的统计工具。对于许多应用，通常需要估计给定协变量的响应变量的多个条件分位函数。虽然人们可以单独估计多个分位数，但同时估计它们是非常有意义的。同时估计的一个优点是多个分位数之间可以共享强度，从而获得比单独估计的分位数函数更好的估计精度。联合估计的另一个重要优点是可以同时包含QR函数的非交叉约束。本文提出了一种新的基于核的多QR估计技术，即同时非交叉分位数回归(SNQR)。我们对QR函数使用核表示，并对核系数施加约束以避免交叉。非正规化和正规化SNQR技术都被考虑。给出了线性SNQR的渐近正态和稀疏线性SNQR的Oracle性质等渐近性质。我们的数值结果证明了我们的SNQR比原始的个体QR估计的竞争性能。
Quantile regression (QR) is a very useful statistical tool for learning the relationship between the response variable and covariates. For many applications, one often needs to estimate multiple conditional quantile functions of the response variable given covariates. Although one can estimate multiple quantiles separately, it is of great interest to estimate them simultaneously. One advantage of simultaneous estimation is that multiple quantiles can share strength among them to gain better estimation accuracy than individually estimated quantile functions. Another important advantage of joint estimation is the feasibility of incorporating simultaneous non-crossing constraints of QR functions. In this paper, we propose a new kernel-based multiple QR estimation technique, namely simultaneous non-crossing quantile regression (SNQR). We use kernel representations for QR functions and apply constraints on the kernel coefficients to avoid crossing. Both unregularised and regularised SNQR techniques are considered. Asymptotic properties such as asymptotic normality of linear SNQR and oracle properties of the sparse linear SNQR are developed. Our numerical results demonstrate the competitive performance of our SNQR over the original individual QR estimation.
登录
查看更多内容
DOI：
10.1073/pnas.97.1.262
发表时间：
2000-01-04
影响因子：
11.1
作者：
Brown, MPS;Grundy, WN;Haussler, D
通讯作者：
Haussler, D
影响因子：
1.6
作者：
Koenker, R
通讯作者：
Koenker, R
影响因子：
2.4
作者：
Liu, YF;Shen, XT;Doss, H
通讯作者：
Doss, H
影响因子：
1.1
作者：
Poetscher, Benedikt M.;Schneider, Ulrike
通讯作者：
Schneider, Ulrike
影响因子：
1.6
作者：
Poetscher, Benedikt M.;Leeb, Hannes
通讯作者：
Leeb, Hannes