[论文解读] Quantile Estimation of A general Single-Index Model

Efang Kong, Yingcun Xia|ArXiv.org|Mar 17, 2008

Statistical Methods and Inference参考文献 12被引用 3

一句话总结

本文提出了一种在广义单指数分位数回归模型中估计索引参数的新型方法，采用基于核权M-估计的迭代局部多项式拟合。该方法在弱依赖假设下实现了统一强一致性和渐近正态性，使得在ARCH(p)等条件异方差模型中能够实现稳健推断。

ABSTRACT

The single-index model is one of the most popular semiparametric models in Econometrics. In this paper, we define a quantile regression single-index model, which includes the single-index structure for conditional mean and for conditional variance.

研究动机与目标

• 为广义单指数分位数回归模型中的索引参数开发一种稳健估计程序，尤其适用于具有条件异方差性的模型。
• 通过采用单指数结构降低维度，缓解非参数分位数回归中的维数灾难问题。
• 在弱依赖（混合）条件下，建立所提估计量的统一强一致性和渐近正态性。
• 将现有均值回归方法扩展至分位数回归，以实现对随机关系更全面的统计分析。
• 基于迭代线性分位数回归子问题，提供一种计算上可行的算法，便于实际应用。

提出的方法

• 通过在协变量成对差值上对核权检查损失函数和进行迭代最小化，估计索引参数θ₀。
• 使用局部多项式拟合，并以核K(θᵀXᵢⱼ/h)加权观测值，其中Xᵢⱼ = Xᵢ − Xⱼ，依据观测点与目标点的距离进行加权。
• 将优化过程分解为两个交替步骤：(1) 对固定θ，通过线性分位数回归估计局部截距aⱼ和斜率bⱼ；(2) 通过在变换变量上求解新的分位数回归问题来更新θ。
• 将最终估计标准化为ǁθ̂ǁ⁻¹θ̂，以确保范数为1，从而保持索引向量的方向。
• 利用现有高效的线性分位数回归算法（如Koenker, 2005）高效求解子问题。
• 在强混合和密度有界的假设下，借助随机等度连续性和U-统计量理论建立理论性质。

实验结果

研究问题

• RQ1 在弱依赖条件下，能否在广义单指数分位数模型中构造出一致且渐近正态的估计量？
• RQ2 如何通过单指数结构缓解非参数分位数回归中的维数灾难问题？
• RQ3 在统一强一致性方面，迭代核权M-估计程序的理论依据是什么？
• RQ4 在具有条件异方差性的模型（如ARCH(p)过程）中，所提方法表现如何？
• RQ5 在何种正则性条件下，估计量能实现统一收敛性和渐近正态性？

主要发现

• 在弱依赖（强混合）条件下，所提估计量对索引参数θ₀实现了统一强一致性。
• 在包含有界密度和条件分位数函数光滑性等正则性条件下，估计量渐近正态，收敛速度为n⁻¹/²。
• 该方法能有效处理条件异方差性，如在ARCH(p)模型中，mₜ(x) = g(θ₀ᵀX)Qₜ(ε)，其中Qₜ(ε)为误差的τ分位数。
• 理论依据在于证明Hessian矩阵(S₂ + θ₀θ₀ᵀ)⁻¹(Ω₀ + θ₀θ₀ᵀ)的所有特征值小于1且正定，从而确保收敛性。
• 在假设θ₀是S₂和Ω₀对应于特征值0的唯一特征向量时，迭代算法收敛至唯一解。
• 数值研究证实了该方法的稳健性及有限样本性能，尤其在中位数回归和ARCH型模型中表现良好。