Contributions to Quantile and Superquantile Regression.
저자
발행사항
Ann Arbor : ProQuest Dissertations & Theses, 2022
학위수여대학
University of Michigan Statistics
수여연도
2022
작성언어
영어
주제어
학위
Ph.D.
페이지수
336 p.
지도교수/심사위원
Advisor: He, Xuming.
Understanding the heterogeneous covariate-response relationship is central to modern data analysis. Beyond the usual descriptors such as the mean and variance, quantile and superquantile (also known as the expected shortfall or conditional value-at-risk) can capture the differential covariate effects on the upper or lower tails of the response distribution. This dissertation studies some fundamental aspects of the statistical inference of quantile and superquantile regression.In the first part of the dissertation, we propose a novel approach to estimating the superquantile regression. Superquantile measures the average of a response given that it exceeds a certain quantile, and is widely used as a risk measure in financial and engineering applications to quantify the expected outcome in a given percentage of the worst-case scenarios. Most existing approaches for superquantile regression rely explicitly on the modeling of the conditional quantile functions. In this dissertation, we offer new insights into an optimization formulation for the superquantile in the recent literature, based on which we provide and validate a direct approach to superquantile regression estimation without relying on additional quantile regression modeling. Operationally, the approach can be well approximated by fitting a linear quantile regression to an array of pre-estimated conditional superquantile processes. With certain initial estimators based on binning of the covariate space, we show that the proposed superquantile regression estimator is consistent and asymptotically normal. This approach achieves implicit weighting of the data, which is found to be automatically adaptive to data heterogeneity and offers efficiency gain in various scenarios. Via theoretical and numerical comparisons show that the proposed approach has competitive, and often superior, performance relative to other common approaches in the literature.In the second part of the dissertation, we study pseudo-Bayesian inference for possibly sparse quantile regression models. We find that by coupling the asymmetric Laplace working likelihood with appropriate shrinkage priors, we can deliver pseudo-Bayesian inference that adapts automatically to the possible sparsity in quantile regression analysis. After a suitable adjustment on the posterior variance, the proposed method provides asymptotically valid inference under heterogeneity. Furthermore, the proposed approach leads to oracle asymptotic efficiency for the active (nonzero) quantile regression coefficients and super-efficiency for the non-active ones. We also discuss the theoretical extension when the covariate dimension increases with the sample size at a controlled rate. By avoiding the need to pursue dichotomous variable selection as well as nuisance parameter estimation, the Bayesian computational framework demonstrates desirable inferential stability.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)