.png){kind=icon}
返回
Spline Quantile Regression
.png){kind=icon}
PRE
AI
DOI：10.1007/s42519-026-00545-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分位数回归是一种强大的工具，能够比最小二乘回归提供更丰富的数据视图。分位数回归通常独立对少数分位数或分位数网格进行，而没有考虑相邻分位数下回归系数的相似性。当需要时，会采用如核平滑等特设的后处理程序来平滑跨分位数单独估计的系数，从而改善这些估计的性能。本文介绍了一种新方法，称为样条分位数回归（SQR），该方法将分位数回归与分位数平滑统一起来，并将跨分位数的回归系数作为样条函数进行联合估计。我们讨论了使用内点算法将SQR解作为线性规划（LP）进行计算。我们还尝试了一些比LP算法需要更少内存的梯度算法。使用模拟和真实世界数据评估了SQR方法及这些算法的性能。
Keyword:
function estimation
gradient descent
interior point
linear program
quantile periodogram
quantile regression
smoothing
spline
期刊
J
IF:
0.9
论文数:
88
被引数:
0
机构
引用论文
.png){kind=icon}
Bayesian non-parametric simultaneous quantile regression for complete and grid data贝叶斯非参数同时分位数回归：用于完整数据和网格数据
OAAI
OAAI分享收藏分享收藏分享收藏From zero crossings to quantile‐frequency analysis of time series with an application to nondestructive evaluation从零交叉到时间序列的分位数-频率分析及其在无损检测中的应用
PREAI
分享收藏
查看更多内容