Minimax Bayes Estimation in Nonparametric Regression
非参数回归中的极小极大贝叶斯估计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：摘要研究通用非参数回归的先验稳健决策问题，未提供归入所列经济计量细分方向的明确文本依据。
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
非参数回归中的极小极大贝叶斯估计
- 研究问题
- 当回归函数在观测点上的先验未知但属于已知类别时，如何在线性估计量中最小化最坏先验下的期望平方误差？
- 方法与思路
- 作者在已知先验类上最大化期望平方误差，再在线性估计量中求最小值，并研究一维设计与平滑函数情形的渐近性质。
- 材料陈述的贡献
- 摘要称，研究得到上述限定范围内的极小极大估计量，并分析设计点一维且先验类对应平滑函数时的渐近表现。
- 阅读关注点
- 阅读全文时应核对先验类如何描述平滑性、观测误差条件与线性估计量范围，以及渐近分析使用的设计和风险标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；最优性限于指定先验类和线性估计量，不能扩展为所有估计方法的最优性。
原文摘要
One observes $n$ data points, $(\mathbf{t}_i, Y_i),$ with the mean of $Y_i$, conditional on the regression function $f,$ equal to $f(\mathbf{t}_i).$ The prior distribution of the vector $\mathbf{f} = (f(\mathbf{t}_1), \ldots, f(\mathbf{t}_n))^t$ is unknown, but lies in a known class $\Omega.$ An estimator, $\hat{\mathbf{f}},$ of $\mathbf{f}$ is found which minimizes the maximum $E\|\hat{\mathbf{f}} - \mathbf{f}\|^2.$ The maximum is taken over all priors in $\Omega$ and the minimum is taken over linear estimators of $\mathbf{f}.$ Asymptotic properties of the estimator are studied in the case that $\mathbf{t}_i$ is one-dimensional and $\Omega$ is the set of priors for which $f$ is smooth.