Convolution-Smoothing-Based Locally Sparse Estimation for Functional Quantile Regression

doi:10.1007/s13253-026-00728-7

Convolution-Smoothing-Based Locally Sparse Estimation for Functional Quantile Regression

2026-02-01

0

PRE

AI

DOI：10.1007/s13253-026-00728-7

原文链接

原文求助

摘要

En 中文

为研究温度、降水和灌溉对大豆产量的影响，本文提出了一种稀疏半参数函数分位数模型。该模型被称为稀疏模型，因为其函数系数仅在函数协变量对响应变量在不同分位数水平下有显著影响的局部时间区域内非零。为解决优化分位数损失函数（添加凹惩罚项）的计算和理论挑战，我们开发了一种基于卷积平滑的局部稀疏估计（CLoSE）方法，该方法一步完成三项任务：选择显著的函数协变量、识别函数系数的非零区域以增强模型的可解释性，以及估计函数系数。我们建立了估计函数系数的功能Oracle性质和同时置信带，以及估计参数的渐近正态性。此外，由于难以估计给定标量与函数协变量的条件密度函数，我们提出了分裂野自助法（split wild bootstrap）来构造估计参数的置信区间和函数系数的同时置信带。我们还建立了分裂野自助法的相合性。通过模拟研究评估了所提出的CLoSE方法的有限样本表现。通过识别日温度影响大豆产量的活跃时间区域，说明了所提出的模型和估计方法。有关该论文的补充材料见在线发布。

Keyword:

Functional data analysis

Functional oracle property

Semiparametric model

Convolution-Smoothing-Based Locally Sparse Estimation for Functional Quantile Regression

摘要

期刊

机构

引用论文