論文の概要: SPQR: An R Package for Semi-Parametric Density and Quantile Regression

• arxiv url: http://arxiv.org/abs/2210.14482v1
• Date: Wed, 26 Oct 2022 05:10:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 15:52:38.191585
• Title: SPQR: An R Package for Semi-Parametric Density and Quantile Regression
• Title（参考訳）: SPQR: 半パラメトリック密度と量子回帰のためのRパッケージ
• Authors: Steven G. Xu, Reetam Majumder and Brian J. Reich
• Abstract要約: 我々はXuとReichで半パラメトリック量子化回帰法(SPQR)を実装するRパッケージ(2021年)を開発した。 本稿では、このフレームワークがSPQRでどのように実装されているかを説明し、シミュレーションおよび実データ例を通して、実際にどのようにこのパッケージを使うべきかを説明する。
• 参考スコア（独自算出の注目度）: 0.12891210250935145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop an R package SPQR that implements the semi-parametric quantile regression (SPQR) method in Xu and Reich (2021). The method begins by fitting a flexible density regression model using monotonic splines whose weights are modeled as data-dependent functions using artificial neural networks. Subsequently, estimates of conditional density and quantile process can all be obtained. Unlike many approaches to quantile regression that assume a linear model, SPQR allows for virtually any relationship between the covariates and the response distribution including non-linear effects and different effects on different quantile levels. To increase the interpretability and transparency of SPQR, model-agnostic statistics developed by Apley and Zhu (2020) are used to estimate and visualize the covariate effects and their relative importance on the quantile function. In this article, we detail how this framework is implemented in SPQR and illustrate how this package should be used in practice through simulated and real data examples.
• Abstract（参考訳）: 我々はXu と Reich (2021) で半パラメトリック量子化回帰(SPQR)法を実装した R パッケージ SPQR を開発した。 この方法は、ニューラルネットワークを用いたデータ依存関数として重みをモデル化した単調スプラインを用いた柔軟な密度回帰モデルを適用することから始める。 その後、条件密度と量子化過程の見積もりを全て得ることができる。 線形モデルを仮定する多くの量子レグレッションのアプローチとは異なり、SPQRは非線型効果や異なる量子レベルに対する異なる効果を含む共変量と応答分布の事実上の関係を許容する。 spqrの解釈可能性と透明性を高めるために、apley と zhu (2020) が開発したモデル非依存統計を用いて、共変量効果とその分位関数に対する相対的重要性を推定・可視化する。 本稿では、このフレームワークがSPQRでどのように実装されているかを説明し、シミュレーションおよび実データ例を通して、実際にどのようにこのパッケージを使うべきかを説明する。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Simulation-Based Inference with Quantile Regression [0.0]
  条件付き量子化回帰に基づく新しいシミュレーションベース推論(SBI)手法であるニューラル量子化推定(NQE)を提案する。 NQEは、各後次元の個々の1次元量子を自己回帰的に学習し、データとそれ以前の後次元に条件付けする。 我々はNQEが様々なベンチマーク問題に対して最先端の性能を達成することを実証する。
  論文  参考訳（メタデータ） (2024-01-04T18:53:50Z)
• Neural Spline Search for Quantile Probabilistic Modeling [35.914279831992964]
  パラメトリックな仮定を伴わない観測データ分布を表現するために,非パラメトリックかつデータ駆動型手法であるニューラルスプラインサーチ(NSS)を提案する。 我々は,NASが,合成,実世界の回帰,時系列予測タスクにおいて,従来の手法よりも優れていたことを実証した。
  論文  参考訳（メタデータ） (2023-01-12T07:45:28Z)
• Bivariate vine copula based regression, bivariate level and quantile curves [0.0]
  予測回帰設定における2つの応答の対称的処理に特化して設計された新しいグラフ構造モデルを提案する。 我々は、回帰の典型的な欠点として、予測子の変換や相互作用、コリニアリティ、量子交差を避けるために、ブドウコプラを用いる。 我々は韓国ソウルの気象観測に我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2022-05-05T10:41:01Z)
• Deep Non-Crossing Quantiles through the Partial Derivative [0.6299766708197883]
  量子回帰(Quantile Regression)は、単一の条件量子を近似する方法を提供する。 QRロス関数の最小化は、非交差量子化を保証しない。 任意の数の量子を予測するための汎用的なディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-30T15:35:21Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。