.png){kind=icon}
返回
Semi-supervised inference for the high-dimensional quantile regression
.png){kind=icon}
PRE
AI
DOI：10.1007/s11425-023-2368-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了半监督设定下的一种高维分位数工作模型，其中可获取相对小规模的标记数据和大容量的未标记数据。我们提出了一种半监督去偏最小绝对收缩和选择算子（LASSO）方法，以在模型无关框架下估计目标参数。在适当条件下，我们建立了所提出的半监督估计量的极限性质。此外，我们证明了在模型误设情况下，所提出的半监督估计量比监督估计量更有效，而当工作模型正确设定时，其效率相当。通过模拟研究检验了所提出方法的有限样本性能。文中以电子健康记录数据集的分析为例进行了应用说明。
Keyword:
high dimension
quantile regression
semi-supervised inference
期刊
S
IF:
1.5
论文数:
125
被引数:
0
机构
引用论文
Estimation of high dimensional mean regression in the absence of symmetry and light tail assumptions
OAAI
OAAI分享收藏Uniform post-selection inference for least absolute deviation regression and other Z-estimation problems.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏分享收藏
查看更多内容