.png){kind=icon}
返回
Sequential quantile regression for stream data by least squares
.png){kind=icon}
OA
AI
DOI：10.1016/j.jeconom.2024.105791.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
海量流数据在现代经济学应用中很常见，例如电子商务和金融领域。由于存储限制，它们无法永久存储，并且实时分析需要随着新数据的可用而频繁更新。本文开发了一种顺序算法SQR，用于支持流数据的量化回归（QR）分析。由于检验损失的非平滑性，流行的基于梯度的方法不能直接应用。我们提出的算法部分受贝叶斯QR启发，将非平滑优化转化为最小二乘问题，因此比所有需要解决线性规划问题的现有算法在本地处理中快得多。我们进一步将SQR算法扩展到复合量化回归（CQR），并证明SQR估计量在温和条件下是无偏的、渐近正态的，并且具有线性收敛率。我们还通过模拟实验和一个基于美国二手车价格数据集的实际数据示例，展示了SQR的估计和推断性能。
Keyword:
Bayesian inference
Least squares
Quantile regression
Sequential algorithm
Stream data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4
论文数:
5.3K
被引数:
3.0W
机构
引用论文
分享收藏
A symbolic representation of time series, with implications for streaming algorithms.png)
Proceedings of the 8th ACM SIGMOD workshop on Research issues in data mining and knowledge discovery
Proceedings of the 8th ACM SIGMOD workshop on Research issues in data mining and knowledge discoveryIF0
PREAI
分享收藏The dynamics of changes in the female wage distribution in the USA: a quantile regression approachOAAI
OAAI分享收藏分享收藏
查看更多内容