The Choice of Weights in Kernel Regression Estimation
核回归估计中的权重选择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：摘要讨论一般非参数回归的权重与误差性质，未指向所列领域细分。
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
核回归估计中的权重选择
- 研究问题
- 在随机设计与固定设计下，Nadaraya–Watson 权重和卷积型权重的误差表现有何差异，何种意义下可以讨论最优性？
- 方法与思路
- 作者以积分均方误差比较两类核回归权重，考察不同设计下的一致最优性、卷积型权重的极小极大性质及偏差结构。
- 材料陈述的贡献
- 摘要称两类估计量在任一设计下都不具一致最优性，但卷积型权重具有极小极大最优性，并在偏差结构上体现优势。
- 阅读关注点
- 应核对函数类别、设计与带宽条件、积分误差的定义，以及极小极大结论和偏差优势各自成立的范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未提供最优性所依赖的函数类和具体条件，不能据此认定卷积型权重普遍更优。
原文摘要
For kernel regression estimation a weighting scheme due to Nadaraya and Watson has been associated with random design, and a convolution type weighting scheme with fixed design. Based on integrated mean square error, none of the estimators is uniformly optimal in either design. However, the convolution type weights are minimax optimal. Further advantages of this estimator can be seen in the structure of the bias.