Weak Convergence of $k$-NN Density and Regression Estimators with Varying $k$ and Applications
邻居数变化时k近邻密度与回归估计量的弱收敛及应用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：摘要涉及通用非参数密度与回归估计理论，没有明确对应所列计量领域细分的研究对象。
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
邻居数变化时k近邻密度与回归估计量的弱收敛及应用
- 研究问题
- 在密度与回归估计中，邻居数随适当范围变化的k近邻估计量，是否具有共同的随机过程极限结构？
- 方法与思路
- 作者将不同邻居数对应的估计量转化为连续时间随机过程，在通常的二阶光滑条件下研究其大样本弱收敛。
- 材料陈述的贡献
- 摘要称两类估计具有共同极限结构，并据此建立渐近线性模型，讨论最佳线性无偏估计及适当有偏的线性组合。
- 阅读关注点
- 应核对邻居数的允许范围、随机过程的中心化与尺度变换、弱收敛所用空间，以及线性组合的目标与构造。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；摘要未给出完整光滑条件、极限过程或组合权重，不能推断刊本差异。
原文摘要
In both density and regression estimation problems, the $k$-nearest neighbor estimators with $k$ varying in an appropriate range, when transformed to continuous time stochastic processes, are shown to have a common limiting structure under the usual second-order smoothness conditions as the sample size tends to $\infty$. These results lead to asymptotic linear models in which BLUE's and suitably biased linear combinations are considered.