On nonparametric regression for IID observations in a general setting
一般设定下独立同分布观测的非参数回归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：摘要提出一般随机设计非参数回归理论，虽列举删失与混合模型，但未明确涉及所列经济计量细分方向。
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
一般设定下独立同分布观测的非参数回归
- 研究问题
- 在随机设计、响应条件分布由回归函数决定的一般非参数模型中，如何获得包含最优常数的极小极大积分均方风险？
- 方法与思路
- 作者研究独立同分布观测下的一般条件密度模型，将参数估计中的传统正则条件用于非参数风险的速率与最优常数分析。
- 材料陈述的贡献
- 摘要称这些正则条件足以支持尖锐最优风险收敛，最优常数具有非参数 Fisher 信息类比，并讨论多种模型及序贯设计。
- 阅读关注点
- 应核对回归函数类别、设计密度条件、尖锐最优性的风险定义，以及位置尺度、删失和混合模型例子是否满足统一假设。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未列出函数类及最优常数公式，不能将结论扩展到所有非参数回归模型。
原文摘要
We consider the problem of sharp-optimal estimation of a response function $f(x)$ in a random design nonparametric regression under a general model where a pair of observations $(Y, X)$ has a joint density $p(y, x) = p(y|f(x)) \pi(x)$. We wish to estimate the response function with optimal minimax mean integrated squared error convergence as the sample size tends to $\infty$. Traditional regularity assumptions on the conditional density $p(y| \theta)$ assumed for parameter $\theta$ estimation are sufficient for sharp-optimal nonparametric risk convergence as well as for the existence of the best constant and rate of risk convergence. This best constant is a nonparametric analog of Fisher information. Many examples are sketched including location and scale families, censored data, mixture models and some well-known applied examples. A sequential approach and some aspects of experimental design are considered as well.