عناصر مشابهة
Sparse Ridge Sliced Inverse Quantile Regression Without Quantile Crossing
| المصدر: | مجلة القادسية للعلوم الإدارية والاقتصادية |
|---|---|
| الناشر: |
جامعة القادسية - كلية الادارة والاقتصاد
|
| المؤلف الرئيسي: | |
| المجلد/العدد: | مج18, ع1 |
| محكمة: | نعم |
| الدولة: | العراق |
| التاريخ الميلادي: | 2016 |
| الصفحات: | 28 - 47 |
| ISSN: | 1816-9171 |
| رقم MD: | 729033 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | English |
| قواعد المعلومات: | EcoLink |
| مواضيع: | |
| رابط المحتوى: |
| المستخلص: | Quantile regression provides a more complete statistical analysis of the stochastic relationships between random variables. While this technique has become very popular as a comprehensive extension of the classical mean regression it nonetheless suffers the problem of crossing of regression functions estimated at different orders of quantiles. Theoretically, the extension of conditional quantiles to higher dimension of X is straight forward. However, its practical success suffers from the so-called ‘curse of dimensionality’. In this article we propose a method of obtaining quantile regression estimates for high dimension data without the unfavourable quality of quantile crossing. The proposed method is a two step procedure that initially employs sparse ridge sliced inverse regression (SRSIR) to achieve dimension reduction when the predictors are possibly correlated and then followed by the usage of non-parametric method to estimate non-crossing quantile regression. For the second stage of our method we employ double kernel smoothing method (Yu and Jones,1998); monotone-based smoothing method based on the convolution of the distribution (Dette and Volgushev,2008) and joint non-crossing quantile smoothing spline method (Bondell et al., 2010) for estimating the conditional quantile without quantile crossing. Through a simulation and empirical study we compare our estimators with that of Gannon et al. (2004). يوفر الانحدار الكمي تحليلًا إحصائيًا أكثر اكتمالًا للعلاقات العشوائية بين المتغيرات العشوائية. في حين أن هذه التقنية أصبحت شائعة للغاية باعتبارها امتدادًا شاملاً للتراجع الكلاسيكي ، إلا أنها مع ذلك تعاني من مشكلة عبور وظائف الانحدار المقدرة بدرجات كميات متفاوتة. من الناحية النظرية ، فإن تمديد الكميات الشرطية إلى بُعد أعلى من X يكون بشكل مستقيم للأمام. ومع ذلك ، فإن نجاحه العملي يعاني مما يسمى "لعنة الأبعاد". في هذه المقالة نقترح طريقة للحصول على تقديرات الانحدار الكمي لبيانات البعد عالية دون جودة غير معبر من العبور الكمي. الطريقة المقترحة عبارة عن إجراء من خطوتين يستخدم في البداية انحدارًا متقطعًا منعكسا (SRSIR) لتحقيق إنقاص البعد عندما تكون المنبئات على الأرجح مرتبطة ثم يتبعها استخدام طريقة غير بارامترية لتقدير الانحدار الكمي غير العابر. في المرحلة الثانية من طريقتنا ، نستخدم طريقة تجانس النواة المزدوجة (Yu and Jones,1998) ؛ طريقة تجانس مبنية على أساس رتيبة على أساس توزيعة التوزيع (Dette and Volgushev,2008) وطريقة منحنية مشتركة غير عابرة (Bondell et al., 2010) لتقدير الكمية الشرطية بدون عبور كمي من خلال المحاكاة والدراسة التجريبية نقوم بمقارنة تقديراتنا مع جامعة جانون 2004 Gannon et al. (2004) كُتب هذا المستخلص من قِبل دار المنظومة 2018 |
|---|
