高维分位数回归中未测量混杂因子的通信高效估计与推断

为解决高维分位数回归模型中未测量混杂因子(UCs)干扰和分布式数据通信效率问题，研究人员提出两步去混杂-去相关(DD)估计器：通过因子模型填补UCs、构建正则化投影去相关得分，并应用核平滑技术。进一步开发的通信高效去混杂-去相关(CDD)估计器在理论和模拟中均表现优异，应用于社区犯罪数据集验证了实用性。

　　

这项研究攻克了高维分位数回归(quantile regression)中未测量混杂因子(unmeasured confounders, UCs)带来的估计偏差难题。通过巧妙的因子模型(factor model)分析技术填补UCs缺失值，结合正则化投影去相关(regularized projection decorrelation)方法和核平滑(kernel smoothing)技术，构建出两步去混杂-去相关(DD)估计器。更令人瞩目的是，针对分布式数据存储场景，研究团队创新性提出通信高效去混杂-去相关(CDD)估计器，在保证估计精度的同时大幅降低数据传输开销。理论分析证实了DD和CDD估计量具有优良的统计性质，社区犯罪(Communities and Crime)数据集的实证研究则生动展示了该方法在真实世界数据中的强大适应力。