1. 毕业设计（论文）的内容、要求、设计方案、规划等

分位数回归由于其稳定的估计, 优良的估计效率,能够从不同角度分析数据得到了广泛应用. 与传统的均值回归方法相比,分位数回归在异质性建模方面提供了一个基本的分析工具,能够揭示解释变量对响应变量在不同分位点处的异质影响.高维数据分析是一个热点问题,在分位数回归框架下开展相关主题研究。

首先,对于高维异质性数据提出分位数回归, 给出模型表示、参数估计、诊断检验和模型预测；然后,通过数值模拟,将其与经典的均值误差模型进行对比；最后,将模型应用于实例分析。

2. 参考文献（不低于12篇）

1.lv, y. z., zhang, r. q., zhao, w. h. and liu, j. c. quantile regression andvariable selection of partial linear single-index model[j]. annals of the institute ofstatistical mathematics. 2015, 67: 375-409.2.koenker, r and bassett, g. s. jr. regression quantiles[j]. econometrica. 1978,46: 3350.3.cheng y, b. jan g. de gooijer and dawit zerom. efficient estimation of anadditive quantile regression model[j]. scandinavian journal of statistics. 2011, 38:4662.4.wang, h. j., zhou, j. and li, y. (2013). variable selection for censored quantile regresion. statisticasinica, 23, 145-167.5.yang, h., lv, j. and guo, c. (2015). weighted composite quantile regression estimation and variableselection for varying coefficient models with heteroscedasticity. journal of the koreanstatistical society, 44, 77-94.6.zhao, p., zhou, x. and lin, l. (2015). empirical likelihood for composite quantile regressionmodeling. journal ofapplied mathematics and computing, 48, 321-333.7.yang hu and liu huilan. (2016). penalized weighted composite quantile estimators withmissing covariates. statistical papers, 57, 69-88.

8.陈雪蓉. 复杂数据下分位数回归建模及应用[j]. 统计与决策，2012 ，5（1）：23-46.

9.李育安. 分位数回归及应用简介[j]. 统计与信息论坛，2006，2（13）：35-38.