Nonparametric Regression Under Long-Range Dependent Normal Errors
长程依赖正态误差下的非参数回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究长程依赖误差，并与长程依赖平稳序列的密度估计作比较。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
长程依赖正态误差下的非参数回归
- 研究问题
- 在固定设计且误差为长程依赖正态过程时，非参数回归估计的有限维分布与细化网格上的最大偏差具有怎样的极限行为？
- 方法与思路
- 作者分析 Gasser–Muller 和 Priestley–Chao 估计量，对估计误差及网格最大偏差作适当标准化，并研究相应分布极限。
- 材料陈述的贡献
- 摘要称，标准化估计量的有限维分布趋于白噪声过程对应分布，重新标准化的最大偏差趋于 Gumbel 分布，并与密度估计对照。
- 阅读关注点
- 应核对长程依赖强度、固定设计、带宽和网格细化条件，以及两种标准化形式；区分有限维收敛与更强的过程收敛。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；不能由白噪声极限断言原误差独立，也不能将结果直接推广至非正态或随机设计情形。
原文摘要
We consider the fixed-design regression model with long-range dependent normal errors and show that the finite-dimensional distributions of the properly normalized Gasser-Muller and Priestley-Chao estimators of the regression function converge to those of a white noise process. Furthermore, the distributions of the suitably renormalized maximal deviations over an increasingly finer grid converge to the Gumbel distribution. These results contrast with our previous findings for the corresponding problem of estimating the marginal density of long-range dependent stationary sequences.