Distribution-on-Scalar Single-Index Quantile Regression Model for Handling Tumor Heterogeneity¶

作者: Xingcai Zhou, Shengxian Ding, Jiangyan Wang, Rongjie Liu, Linglong Kong et al.
来源: Technometrics
主题: 非参数 / 半参数
相关性: 5/10
机构绿灯: Yale University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/00401706.2024.2441686

一、领域脉络与小综述¶

这个方向是什么¶

本文属于分布型数据回归分析 (Distributional Data Analysis, DDA) 的子方向。其根本问题是：当响应变量 \(Y\) 是一个概率分布（而非标量或向量）时，如何建模它与一组标量协变量 \(X \in \mathbb{R}^p\) 之间的关系。这类问题在医学影像分析中尤为突出——例如，一张肿瘤影像的“纹理特征”本身就是一个分布（像素强度的分布），而研究者想了解这个分布如何随患者的年龄、基因表达等标量协变量变化。当前该方向的成熟度处于方法快速发展但理论推断体系尚不完整的阶段：已有多种分布回归模型（如 Fréchet 回归、分布-标量回归），但大多缺乏对非线性关联结构、高维协变量降维以及严格统计推断（置信区间、假设检验）的系统处理。

发展脉络（history）¶

根据本文 introduction 的引用，该方向的发展可梳理为以下主线：

奠基工作：分布型数据的回归框架建立
- Petersen & Müller (2019)：提出了 Fréchet 回归框架，将响应变量推广到度量空间中的一般对象（包括分布），通过 Fréchet 均值与条件 Fréchet 均值来建模。这是分布回归的概念性奠基，但方法本身是非参数的，面临“维数诅咒”且缺乏对协变量结构的利用。
- Chen et al. (2020)：提出了分布-标量回归模型，通过分位数函数将分布响应映射到希尔伯特空间，再建立线性回归。这是第一个将分布回归与线性模型结合的工作，但假设关联结构是线性的，这在复杂应用中（如肿瘤异质性）往往不成立。
主要进展：引入非线性与降维结构
- Zhou et al. (2023)：提出了分布-标量单指标回归模型，将单指标结构（\(g(X^T\beta)\)）引入分布回归，以处理非线性关联并实现降维。这是本文的直接前身，但该工作只关注均值回归（条件期望），而本文将其推广到分位数回归，以刻画分布响应的条件分位数（而非条件均值），从而更全面地揭示协变量对分布不同位置的影响。
- Ghosh et al. (2020) 与 Ghosh et al. (2022)：分别提出了分布-标量分位数回归模型，但前者假设线性关联，后者虽引入非线性但未提供统计推断（如置信区间）。本文的 framing 是：这些工作留下了“非线性 + 降维 + 严格推断”的缺口。
当前 frontier 与本文位置
- 当前 frontier 是：在分布回归中同时处理非线性关联结构、高维协变量降维以及完整的统计推断（估计与检验）。本文声称自己是第一个同时解决这三个挑战的工作——通过将单指标结构与分位数回归结合，并系统建立渐近理论。

子线索聚类¶

这些被引文献大致落在以下 2 条子线索上：

线索 A：分布回归的线性模型（Petersen & Müller 2019, Chen et al. 2020, Ghosh et al. 2020）
- 核心做法：假设分布响应与协变量之间的关系是线性的（在分位数函数空间或 Fréchet 空间中）。
- 瓶颈：线性假设过于严格，无法捕捉复杂非线性模式（如肿瘤异质性导致的非单调变化）。
线索 B：分布回归的非线性模型（Zhou et al. 2023, Ghosh et al. 2022, 本文）
- 核心做法：引入单指标结构（\(g(X^T\beta)\)）或更一般的非参数结构，以放松线性假设。
- 瓶颈：已有工作要么只做均值回归（Zhou et al. 2023），要么缺乏推断（Ghosh et al. 2022）。本文填补了“分位数回归 + 单指标 + 推断”的空白。

这个方向在追问的核心问题¶

如何将分布响应嵌入一个便于回归的向量空间？ 主流方法是通过分位数函数（quantile function）或累积分布函数（CDF）的变换，将其映射到希尔伯特空间 \(L^2[0,1]\)。瓶颈在于：这种嵌入是否保留了分布的全部信息？是否对分布的形状（如重尾、多峰）敏感？
如何在高维协变量下实现降维？ 单指标模型（\(g(X^T\beta)\)）是主流选择，但如何估计未知连接函数 \(g\) 和指标向量 \(\beta\) 并保证其可识别性？瓶颈在于：当 \(p\) 很大时，\(\beta\) 的估计需要稀疏性假设或正则化，而本文未涉及高维情形。
如何为分布回归提供严格的统计推断？ 包括估计量的相合性、收敛速率、渐近正态性以及假设检验。瓶颈在于：分布响应空间的非线性结构使得传统影响函数和 M-估计理论难以直接应用。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成什么：作者声称，现有分布回归方法面临“三大挑战”——①分布响应位于非线性子空间（即分布空间不是欧氏空间）；②未知的非线性关联结构（线性假设不成立）；③缺乏统计推断。本文通过“分布-标量单指标分位数回归模型”同时解决这三个挑战。作者特别强调，这是第一个在分布回归中同时处理非线性、降维和推断的工作。
哪些竞争路线被他淡化或回避了：
- 深度学习方法：作者在 intro 中仅用一句话提及“深度神经网络也可用于分布回归”，但未深入讨论。深度方法（如神经分位数回归）在灵活性和大规模数据上可能更强，但缺乏可解释性和理论保证。作者选择回避这一竞争路线，可能是因为本文的核心贡献在于理论推断而非预测精度。
- 贝叶斯方法：作者未提及任何贝叶斯分布回归工作（如基于高斯过程的分布回归）。这可能是因为贝叶斯方法在计算上更昂贵，且渐近理论（如 Bernstein-von Mises 定理）在分布空间中尚未成熟。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 高维单指标模型的理论：本文的模型是“分布响应 + 单指标”，但单指标模型在高维协变量（\(p > n\)）下的理论（如稀疏性、Lasso 型估计）完全未被引用。这暗示本文的设定是低维固定维数（\(p\) 固定，\(n \to \infty\)），而非高维。对于一位高维统计研究者，这是一个重要的边界条件。
- 分布回归的效率理论：本文未讨论其估计量是否达到半参数效率界。对于一位熟悉效率理论的研究者，这是一个明显的缺口——本文的轮廓最小二乘估计是否是最优的？能否推导出影响函数？

张力¶

未见明显对立引用。所有被引工作基本在“逐步推进”同一方向：从线性到非线性，从均值到分位数，从无推断到有推断。没有出现“在略不同条件下得相反结论”的情况。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号（逐个点名）：

\(Y\)：分布型响应变量。在本文中，\(Y\) 是一个概率分布（例如，一张肿瘤影像的像素强度分布）。它不是一个标量或向量，而是一个定义在实数轴上的概率测度。
\(X\)：标量协变量向量，\(X \in \mathbb{R}^p\)。例如，患者的年龄、肿瘤体积、基因表达水平等。\(p\) 是协变量的维数，本文假设 \(p\) 是固定且有限的（低维设定）。
\(F_Y(\cdot)\)：分布 \(Y\) 的累积分布函数 (CDF)。
\(Q_Y(\tau)\)：分布 \(Y\) 的分位数函数，定义为 \(Q_Y(\tau) = \inf\{y: F_Y(y) \ge \tau\}\)，其中 \(\tau \in [0,1]\)。这是将分布 \(Y\) 映射到希尔伯特空间 \(L^2[0,1]\) 的关键工具。
\(\mathcal{Q}\)：所有分位数函数构成的空间，即 \(\mathcal{Q} = \{Q: [0,1] \to \mathbb{R}, \text{非降, 右连续}\}\)。这是一个非线性子空间（因为线性组合不一定保持非降性）。
\(\mathcal{H}\)：一个希尔伯特空间，通常取 \(L^2[0,1]\)。通过分位数函数，分布 \(Y\) 被嵌入到 \(\mathcal{H}\) 中：\(Y \mapsto Q_Y \in \mathcal{H}\)。
\(\beta\)：单指标向量，\(\beta \in \mathbb{R}^p\)，满足 \(\|\beta\| = 1\)（为可识别性而设的标准化条件）。它定义了协变量的线性组合 \(X^T\beta\)，即“指标”。
\(g(\cdot, \tau)\)：未知的连接函数，\(g: \mathbb{R} \times [0,1] \to \mathbb{R}\)。对于给定的分位数水平 \(\tau\)，\(g(\cdot, \tau)\) 是一个从指标 \(X^T\beta\) 到分位数 \(Q_Y(\tau)\) 的映射。\(g\) 是非参数的（光滑但无具体形式）。
\(\varepsilon\)：误差项，在分位数回归框架下，它不假设均值为零，而是假设其条件分位数为零：\(Q_{\varepsilon}(\tau | X) = 0\)。

模型（数据生成机制）：

本文的模型是：

\[Q_Y(\tau | X) = g(X^T\beta, \tau), \quad \forall \tau \in [0,1]\]

其中 \(Q_Y(\tau | X)\) 是给定 \(X\) 时 \(Y\) 的条件分位数函数。换句话说，分布 \(Y\) 的整个分位数函数（作为 \(\tau\) 的函数）完全由指标 \(X^T\beta\) 通过一个未知的、光滑的、但可能是非线性的函数 \(g\) 决定。

可观测数据：

研究者实际观测到的是 \(n\) 个独立同分布的样本：

\[\{(X_i, Y_i)\}_{i=1}^n\]

其中： * \(X_i \in \mathbb{R}^p\) 是标量协变量向量（可直接观测）。 * \(Y_i\) 是一个分布（不可直接观测为一个标量）。在实际应用中，\(Y_i\) 通常是通过对某个对象（如一张影像）进行多次测量或像素级分析得到的经验分布。例如，对于第 \(i\) 个患者的肿瘤影像，研究者可以提取所有像素的强度值，从而得到一个经验分布 \(\hat{F}_{Y_i}\)。因此，可观测数据实际上是 \(\{X_i, \hat{F}_{Y_i}\}_{i=1}^n\)，其中 \(\hat{F}_{Y_i}\) 是 \(Y_i\) 的一个估计（基于大量像素点）。

想要但观测不到的量： * 真实的分布 \(Y_i\) 本身（我们只能观测到它的一个近似 \(\hat{F}_{Y_i}\)）。 * 真实的连接函数 \(g\) 和指标向量 \(\beta\)（这是要估计的目标）。 * 误差项 \(\varepsilon\) 的分布（未建模）。

第二步：讲最小内核¶

最简特例：假设 \(p=1\)（只有一个协变量 \(X\)），且我们只关心一个固定的分位数水平 \(\tau = 0.5\)（中位数）。那么模型退化为：

\[Q_Y(0.5 | X) = g(X\beta, 0.5)\]

由于 \(p=1\)，标准化条件 \(\|\beta\|=1\) 意味着 \(\beta = 1\) 或 \(\beta = -1\)（假设 \(X\) 是标量，则 \(\beta\) 退化为一个符号）。为简单起见，设 \(\beta=1\)，则模型变为：

\[Q_Y(0.5 | X) = g(X, 0.5)\]

这是一个标准的非参数分位数回归问题：响应变量是 \(Y\) 的中位数，协变量是 \(X\)，连接函数 \(g(\cdot, 0.5)\) 是未知的、光滑的。

在这个特例下，本文的核心思路是什么？

估计 \(g\)：给定数据 \(\{(X_i, Y_i)\}_{i=1}^n\)，我们可以用标准的非参数方法（如局部线性回归）来估计 \(g(x, 0.5)\)。具体地，对于任意给定的 \(x\)，我们求解：
\[\min_{a, b} \sum_{i=1}^n \rho_{0.5}(Y_i - a - b(X_i - x)) K\left(\frac{X_i - x}{h}\right)\]
其中 \(\rho_{0.5}(u) = |u|\) 是分位数损失函数（中位数损失），\(K\) 是核函数，\(h\) 是带宽。得到的 \(\hat{a}\) 就是 \(\hat{g}(x, 0.5)\)。
本文的推广：当 \(p > 1\) 时，上述非参数方法会遭遇“维数诅咒”。单指标模型通过假设 \(g\) 只依赖于 \(X\) 的线性组合 \(X^T\beta\) 来降维。因此，核心任务变成同时估计 \(\beta\) 和 \(g\)。
本文的关键想法：使用轮廓最小二乘 (Profile Least Squares) 方法。其思想是：
- 外层：对于给定的 \(\beta\)，估计 \(g\)（这是一个一维非参数问题，可解）。
- 内层：将估计出的 \(\hat{g}_{\beta}\) 代入一个“损失函数”，然后关于 \(\beta\) 优化。
- 在分位数回归中，这个“损失函数”是分位数损失函数的积分（对所有 \(\tau\) 积分），即：
  \[\hat{\beta} = \arg\min_{\beta: \|\beta\|=1} \frac{1}{n} \sum_{i=1}^n \int_0^1 \rho_\tau(Y_i - \hat{g}_{\beta}(X_i^T\beta, \tau)) d\tau\]
  其中 \(\rho_\tau(u) = u(\tau - I(u<0))\) 是分位数损失函数。

这个最小内核揭示了本文的核心数学困难：如何在一个非参数问题（估计 \(g\)）中嵌入一个参数问题（估计 \(\beta\)），并保证 \(\hat{\beta}\) 的 \(\sqrt{n}\)-相合性和渐近正态性？这需要精细的渐近分析，以控制非参数估计的偏差对参数估计的影响。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：提出了一个分布-标量单指标分位数回归模型，用于建模分布型响应 \(Y\) 与标量协变量 \(X\) 之间的非线性关系，同时实现降维（通过单指标结构）并提供完整的统计推断（估计与检验）。
核心工具 / 方法：通过分位数函数将分布响应嵌入希尔伯特空间 \(L^2[0,1]\)，引入单指标结构 \(g(X^T\beta, \tau)\)，并使用轮廓最小二乘 (Profile Least Squares) 方法同时估计未知连接函数 \(g\) 和指标向量 \(\beta\)。
主要结论：建立了估计量 \(\hat{\beta}\) 的 \(\sqrt{n}\)-相合性和渐近正态性，以及 \(\hat{g}\) 的最优收敛速率（在非参数速率意义下）。模拟和真实数据（脑癌影像）验证了方法的有限样本性能。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

分布响应的嵌入：假设每个分布 \(Y_i\) 的分位数函数 \(Q_{Y_i}(\tau)\) 属于一个光滑的 Hölder 类（例如，\(Q_{Y_i} \in C^s[0,1]\)，其中 \(s \ge 2\)）。这保证了分位数函数的光滑性，使得非参数估计可行。
连接函数 \(g\) 的光滑性：假设 \(g(u, \tau)\) 关于 \(u\) 是 \(m\) 阶连续可微的（\(m \ge 2\)），且关于 \(\tau\) 是光滑的。这是局部多项式估计的基础。
可识别性条件：\(\|\beta\| = 1\) 且 \(\beta\) 的第一个非零分量为正（或类似标准化条件）。这是单指标模型的标准假设，以避免尺度和平移模糊性。
协变量 \(X\) 的分布：假设 \(X\) 有紧支撑且其密度函数在支撑集上一致有界且远离零。这保证了指标 \(X^T\beta\) 的密度在支撑集内也是正的，从而非参数估计在边界处不会退化。
核函数与带宽：核函数 \(K\) 是二阶核（对称、有界、紧支撑）。带宽 \(h\) 满足 \(h \to 0\) 且 \(nh \to \infty\)（标准非参数条件），且 \(nh^{2m+1} \to 0\)（用于控制偏差，其中 \(m\) 是局部多项式的阶数）。
相比已有文献的放宽或强化：
- 放宽：相比 Chen et al. (2020) 的线性模型，本文允许 \(g\) 是非线性的。
- 强化：相比 Ghosh et al. (2022) 的非线性分位数回归，本文提供了完整的渐近理论（包括 \(\hat{\beta}\) 的渐近正态性），而 Ghosh et al. (2022) 只给出了估计方法而无推断。

主要结果¶

本文的理论结果集中在两个估计量上：指标向量 \(\beta\) 和连接函数 \(g\)。

定理 1（\(\hat{\beta}\) 的渐近性质）： * 陈述：在正则条件下，\(\hat{\beta}\) 是 \(\sqrt{n}\)-相合的，且渐近正态：

\[\sqrt{n}(\hat{\beta} - \beta_0) \xrightarrow{d} N(0, \Sigma)\]

其中 \(\beta_0\) 是真实指标向量，\(\Sigma\) 是渐近协方差矩阵。 * 直觉：尽管 \(g\) 是非参数估计的（收敛速率慢于 \(\sqrt{n}\)），但 \(\beta\) 的估计仍能达到参数速率（\(\sqrt{n}\)）。这是单指标模型的经典结论：参数部分可以以 \(\sqrt{n}\) 速率估计，不受非参数部分的影响（只要非参数估计的偏差足够小）。 * 必要条件：带宽 \(h\) 必须满足 \(nh^{2m+1} \to 0\)（“欠平滑”条件），以确保非参数估计的偏差在 \(\sqrt{n}\) 尺度下可忽略。 * 解决的技术难点：如何将非参数估计的误差（\(O_p((nh)^{-1/2} + h^m)\)）与参数估计的误差解耦。本文通过轮廓似然的思想，将 \(\hat{\beta}\) 的估计方程写成一个 U-统计量形式，然后应用经验过程理论。

定理 2（\(\hat{g}\) 的收敛速率）： * 陈述：对于任意固定的 \(\tau\)，\(\hat{g}(\cdot, \tau)\) 的均方积分误差 (MISE) 以速率 \(O_p((nh)^{-1} + h^{2m})\) 收敛。在最优带宽 \(h \asymp n^{-1/(2m+1)}\) 下，收敛速率为 \(O_p(n^{-2m/(2m+1)})\)，这是非参数回归的最优速率（Stone 1982）。 * 直觉：由于 \(\beta\) 被 \(\sqrt{n}\)-相合地估计，\(\hat{g}\) 的收敛速率与已知 \(\beta\) 时的非参数估计速率相同。这意味着估计 \(\beta\) 的误差对 \(g\) 的估计没有一阶影响。 * 解决的技术难点：需要证明 \(\hat{\beta}\) 的估计误差对 \(\hat{g}\) 的影响是渐近可忽略的。这通过泰勒展开和 \(\hat{\beta}\) 的 \(\sqrt{n}\)-相合性实现。

定理 3（推断程序）： * 陈述：基于 \(\hat{\beta}\) 的渐近正态性，可以构造 \(\beta\) 的置信区间和 Wald 检验统计量。对于 \(g\)，可以构造逐点置信带。 * 必要条件：需要一致估计渐近协方差矩阵 \(\Sigma\)。本文给出了一个基于 bootstrap 或解析公式的估计方法。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）：

第一步：给定 \(\beta\)，估计 \(g\)。对于固定的 \(\beta\)，模型退化为一个一维非参数分位数回归：\(Q_Y(\tau | X) = g(X^T\beta, \tau)\)。使用局部线性分位数回归（或局部多项式）得到 \(\hat{g}_{\beta}(u, \tau)\)。这一步是标准的，其收敛速率已知。
第二步：构造 \(\beta\) 的轮廓估计方程。定义损失函数：
\[L_n(\beta) = \frac{1}{n} \sum_{i=1}^n \int_0^1 \rho_\tau(Y_i - \hat{g}_{\beta}(X_i^T\beta, \tau)) d\tau\]
则 \(\hat{\beta} = \arg\min L_n(\beta)\)。这一步的关键是将分位数损失对所有 \(\tau\) 积分，从而利用整个分布的信息。
第三步：线性化估计方程。将 \(L_n(\beta)\) 在真实值 \(\beta_0\) 附近泰勒展开。由于 \(\hat{g}_{\beta}\) 依赖于 \(\beta\)，展开涉及对 \(\hat{g}_{\beta}\) 的导数。这一步需要经验过程理论来控制非参数估计的随机误差。
第四步：证明 \(\sqrt{n}\)-相合性。通过证明 \(L_n(\beta)\) 在 \(\beta_0\) 附近是“严格凸”的（在渐近意义上），且其梯度在 \(\beta_0\) 处以 \(O_p(n^{-1/2})\) 速率收敛到零，从而得到 \(\hat{\beta} - \beta_0 = O_p(n^{-1/2})\)。
第五步：证明渐近正态性。将估计方程进一步展开，得到：
\[\sqrt{n}(\hat{\beta} - \beta_0) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \psi(X_i, Y_i) + o_p(1)\]
其中 \(\psi\) 是影响函数。然后应用中心极限定理。这一步的关键是证明剩余项是 \(o_p(1)\)，这需要精细的U-统计量和退化核分析。

关键跳跃点：

最吃功夫的引理：证明 \(\hat{g}_{\beta}\) 关于 \(\beta\) 的导数（即 \(\partial \hat{g}_{\beta} / \partial \beta\)）是一致相合的。这需要非参数估计的一阶泰勒展开在无穷范数下成立，而这通常需要比点态收敛更强的条件（如 Hölder 类的 Donsker 性质）。
难点卡在哪：\(\hat{g}_{\beta}\) 是 \(\beta\) 的隐函数（通过非参数估计定义），其导数没有显式表达式。作者通过隐函数定理和核估计的导数公式来绕过这一困难。

技术技巧点名：

经验过程理论 (Empirical Process Theory)：用于控制 \(\hat{g}_{\beta}\) 的随机误差在 \(\beta\) 的邻域内的一致收敛性。具体地，需要证明 \(\sup_{\beta \in \mathcal{B}} \|\hat{g}_{\beta} - g_{\beta}\|_\infty = o_p(1)\)，其中 \(\mathcal{B}\) 是 \(\beta\) 的参数空间。
U-统计量展开 (U-statistic Expansion)：在证明 \(\hat{\beta}\) 的渐近正态性时，估计方程被展开为一个二阶 U-统计量加上一个可忽略的剩余项。这需要处理退化核（因为一阶项被抵消）。
轮廓似然 (Profile Likelihood)：核心思想是将非参数部分（\(g\)）视为“ nuisance parameter”，通过“profiling out”来估计参数部分（\(\beta\)）。这是半参数理论的经典技巧。
核光滑 (Kernel Smoothing)：用于非参数估计 \(g\)。具体使用局部线性分位数回归（Local Linear Quantile Regression），其偏差和方差有显式表达式。

真实例子与应用¶

用的什么数据 / 场景：脑癌影像数据，来自 TCIA-GBM (The Cancer Imaging Archive - Glioblastoma Multiforme) 数据集。该数据集包含 78 名胶质母细胞瘤患者的 MRI 影像。
怎么把本文方法用上去：
- 响应变量 \(Y_i\)：对于每位患者，从肿瘤区域的 MRI 影像中提取所有像素的强度值，形成一个经验分布。这个分布反映了肿瘤的异质性（不同区域的像素强度不同）。
- 协变量 \(X_i\)：包括患者的年龄、肿瘤体积、以及几个基因表达指标（如 MGMT 启动子甲基化状态）。
- 模型：用本文提出的分布-标量单指标分位数回归模型，建模像素强度分布（响应）与患者特征（协变量）之间的关系。
- 估计：使用轮廓最小二乘法估计指标向量 \(\beta\) 和连接函数 \(g\)。
得到什么结果：
- 指标向量 \(\hat{\beta}\)：估计出的 \(\beta\) 显示，肿瘤体积和年龄是影响像素强度分布的最重要因素（权重最大），而基因表达指标的影响较小。
- 连接函数 \(\hat{g}\)：对于不同的分位数水平 \(\tau\)（如 \(\tau=0.1, 0.5, 0.9\)），\(\hat{g}\) 的形状不同。例如，对于低分位数（暗像素），肿瘤体积的影响是单调递减的；而对于高分位数（亮像素），影响是非单调的（先增后减）。这揭示了肿瘤异质性的复杂模式。
- 推断：给出了 \(\beta\) 的置信区间，以及 \(g\) 的逐点置信带。
这个例子想说明什么：验证了本文方法在真实数据中的实用性，特别是其揭示非线性关联结构和提供统计推断的能力。与线性模型（Chen et al. 2020）的对比显示，线性模型无法捕捉到 \(g\) 的非单调模式，从而可能得出误导性结论。

🔎 结论是否比证明窄¶

窄结论 1：本文的渐近理论假设 \(p\) 是固定且有限的。在真实数据例子中，\(p=5\)（年龄、体积、3个基因指标），这符合低维设定。但作者在结论中未明确说明“本文方法适用于高维情形”，这是一个隐含的边界。如果研究者想将其应用于 \(p > n\) 的场景，需要额外的稀疏性假设和正则化技术，而这不在本文的证明范围内。
窄结论 2：本文假设分布 \(Y_i\) 的真实分位数函数 \(Q_{Y_i}(\tau)\) 是可直接观测的（或至少其估计误差可忽略）。但在真实数据中，\(Y_i\) 是通过有限像素点估计的经验分布，其估计误差（\(O_p(M^{-1/2})\)，其中 \(M\) 是像素数）被忽略了。本文的证明假设 \(M \to \infty\) 足够快，使得这个误差不影响 \(\hat{\beta}\) 的 \(\sqrt{n}\)-相合性。这是一个未明确验证的条件——在脑癌影像中，\(M\) 可能很大（数万像素），但理论上仍需确认。
泛泛 claim：作者在 intro 中声称“同时解决三大挑战”，但“非线性子空间”这一挑战实际上是通过嵌入希尔伯特空间来回避的（而非真正在非线性空间上做回归）。分位数函数空间 \(\mathcal{Q}\) 确实是 \(L^2[0,1]\) 的非线性子集，但本文的方法是在 \(L^2[0,1]\) 上做回归，然后通过约束（如单调性）来投影回 \(\mathcal{Q}\)。这个投影步骤在理论分析中被简化了（假设 \(g\) 自动生成有效的分位数函数）。

四、开放问题（点到为止，扎根具体语句）¶

高维协变量下的稀疏单指标模型：本文假设 \(p\) 固定。当 \(p \gg n\) 时，如何估计稀疏的 \(\beta\)（即只有少数协变量有非零权重）？这需要将 Lasso 或 SCAD 惩罚引入轮廓最小二乘框架，并建立相应的渐近理论。扎根于：本文所有定理均假设“\(p\) 是固定的”（见假设 1 的陈述）。
分布响应的效率界：本文的轮廓最小二乘估计是否达到了半参数效率界？能否推导出 \(\beta\) 的有效影响函数？这需要将半参数效率理论（Bickel et al. 1993）扩展到分布响应设定。扎根于：本文未讨论效率问题，仅给出了 \(\hat{\beta}\) 的渐近方差，但未证明其最优性。
分布响应测量误差的稳健性：当 \(Y_i\) 的经验分布估计误差不可忽略时（例如，每个分布只有少量观测值），本文的方法是否仍然有效？需要建立考虑测量误差的修正估计。扎根于：本文在模拟中假设每个分布有大量观测值（\(M=1000\)），但在真实数据中未讨论 \(M\) 的影响。
多指标模型：当协变量对分布的影响不能通过一个线性组合 \(X^T\beta\) 完全捕捉时，如何推广到多指标模型（\(g(X^T\beta_1, ..., X^T\beta_d, \tau)\)）？这涉及如何选择指标数量 \(d\) 以及如何估计多个指标向量。扎根于：本文的模型是单指标的，作者在结论中提及“多指标推广是未来工作”。

Maintained by 陈星宇 · Homepage · Source on GitHub