Adaptive $M$-Estimation in Nonparametric Regression
非参数回归中的自适应 M 估计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：摘要研究通用稳健非参数回归，没有明确的分位数、因果、时间序列或金融研究对象。
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
非参数回归中的自适应 M 估计
- 研究问题
- 在随机设计的非参数回归中，如何同时选择平滑程度与稳健性参数，使核 M 估计兼顾数据拟合和异常观测处理？
- 方法与思路
- 作者采用 Huber 的 ψ 函数构造核 M 估计，并通过同时最小化交叉验证准则，联合选择平滑参数与稳健性参数。
- 材料陈述的贡献
- 摘要称将相关结果扩展至随机设计，提出实用的自适应选择程序，证明某种渐近最优性质，并以模拟展示可实施性。
- 阅读关注点
- 应核对交叉验证准则、随机设计与误差分布的要求、两个参数的联合优化方式，以及渐近最优性对应的损失和比较基准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；最优性准则、污染设置和模拟数值未说明，不能推断方法在所有异常值情形下均最优。
原文摘要
A method for robust nonparametric regression is discussed. We consider kernel $M$-estimates of the regression function using Huber's $\psi$-function and extend results of Hardle and Gasser to the case of random designs. A practical adaptive procedure is proposed consisting of simultaneously minimising a cross-validatory criterion with respect to both the smoothing parameter and a robustness parameter occurring in the $\psi$-function. This method is shown to possess a theoretical asymptotic optimality property, while some simulated examples confirm that the approach is practicable.