.png){kind=icon}
返回
Variable Selection and Parameter Estimation in Distributed High-Dimensional Quantile Regression with Responses Missing at Random
.png){kind=icon}
PRE
AI
DOI：10.1007/s11424-026-4566-4.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（QR）已成为衡量响应变量分位数对多个预测变量依赖关系的重要工具，尤其适用于异质性数据，特别是重尾数据和离群值。然而，由于数据的分布式特性、稀疏性、缺失性以及分位数损失函数的非可微性，对分布式高维QR进行统计推断颇具挑战。为克服这一挑战，本文开发了一种通信高效的方法，通过利用平滑函数逼近非可微的分位数损失函数，并结合逆概率加权与惩罚函数的思想来选择变量和估计参数。所提方法具有三大优点：首先，其计算与通信效率均较高，因为在每次迭代中仅需传递近似目标函数的一阶和二阶信息；其次，所提估计量在有限次迭代后具备oracle性质，且不依赖于机器数量；第三，所提方法能在分布式框架下同时完成变量选择和参数估计，确保对缺失数据机制中指定的响应概率或倾向得分函数的稳健性。模拟研究和真实案例被用于说明所提方法的有效性。
Keyword:
Distributed estimator
high-dimensional model
missing at random
quantile regression
variable selection
期刊
IF:
2.8
论文数:
212
被引数:
2.1K
机构
引用论文
.png){kind=icon}
Penalized Quantile Regression for Distributed Big Data Using the Slack Variable Representation使用松弛变量表示的分布式大数据惩罚分位数回归
OAAI
OAAI分享收藏A resampling method by perturbing the estimating functions for quantile regression with missing data通过扰动估计函数进行重采样，用于处理缺失数据下的分位数回归
PREAI
分享收藏
查看更多内容