.png){kind=icon}
返回
Expected shortfall regression for high-dimensional additive models
.png){kind=icon}
PRE
AI
DOI：10.1007/s42081-025-00324-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预期不足（ES）回归是一种通过分位数和条件均值分析响应变量与协变量之间关系的有用工具。众所周知，预期不足估计没有单一的损失函数。最近提出了一个用于ES回归的两步法程序，其成功得益于Neyman正交性。随后基于这些发现，考虑了高维线性ES回归模型和非参数ES模型。在本文中，为解决非线性和高维性，我们在高维设定下假设分位数和预期不足均为加性模型，并考虑了组Lasso和SCAD估计量。我们建立了它们的oracle不等式和oracle性质。我们的理论结果表明，分位数估计在渐近上不影响预期不足估计。我们展示了数值结果，表明在中等样本量下，模型选择、估计精度和预测误差方面表现出令人满意的性能。
Keyword:
Expected shortfall
Quantile regression
Group Lasso
Group SCAD
B-spline basis
Additive models
期刊
J
IF:
1
论文数:
33
被引数:
0
机构
引用论文
.png){kind=icon}
Predicting the compressive strength of ground granulated blast furnace slag concrete using artificial neural network人工神经网络预测粒化高炉矿渣混凝土抗压强度
PREAI
分享收藏
分享收藏分享收藏Estimation and Inference for Nonparametric Expected Shortfall Regression over RKHSRKHS上非参数期望亏空回归的估计与推断
PREAI
分享收藏
查看更多内容