Penalized high‐dimensional M‐quantile regression: From <i>L</i><sup>1</sup> to <i>L</i><sup><i>p</i></sup> optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Quantiles and expectiles have been receiving much attention in many areas such as economics, ecology, and finance. By means of L p optimization, both quantiles and expectiles can be embedded in a more general class of M‐quantiles. Inspired by this point of view, we propose a generalized regression called L p ‐quantile regression to study the whole conditional distribution of a response variable given predictors in a heterogeneous regression setting. In this article, we focus on the variable selection aspect of high‐dimensional penalized L p ‐quantile regression, which provides a flexible application and makes a complement to penalized quantile and expectile regressions. This generalized penalized L p ‐quantile regression steers an advantageous middle course between ordinary penalized quantile and expectile regressions without sacrificing their virtues too much when 1 < p < 2, that is, offers versatility and flexibility with these ‘quantile‐like’ and robustness properties. We develop the penalized L p ‐quantile regression with scad and adaptive lasso penalties. With properly chosen tuning parameters, we show that the proposed estimators display oracle properties. Numerical studies and real data analysis demonstrate the competitive performance of the proposed penalized L p ‐quantile regression when 1 < p < 2, and they combine the robustness properties of quantile regression with the efficiency of penalized expectile regression. These properties would be helpful for practitioners.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle