Kernel Ridge Regression Inference
核岭回归的推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦核岭回归的置信带与自助推断理论，属于非参数统计推断方法，未直接对应所给微观、宏观或金融领域细分，故不选择。
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
核岭回归的推断
- 研究问题
- 摘要称，核岭回归（KRR）虽广泛用于偏好、序列、图等非标准数据的非参数回归，但其推断理论尚未完全清楚；本文研究如何为 KRR 构造有效的置信带并检验匹配效应。
- 方法与思路
- 作者提出构造一致置信带的方法，声称所构造的置信集有效且尖锐，以接近极小极大速率收缩，并允许非标准回归元；推断采用自助法，使用反对称乘子以提升计算效率并在误设定下保持有效性。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：为 KRR 提供一致置信带，给出有效且尖锐、接近极小极大速率收缩的置信集，提出使用反对称乘子的自助程序，并据此发展对匹配效应（学生是否更受益于其排名高的学校）的检验。
- 阅读关注点
- 应核对：置信带的有效性与尖锐性在何种假设下成立；接近极小极大速率的具体含义与条件；反对称乘子自助法在误设定下的有效性论证；匹配效应检验的识别假设与检验统计量构造；非标准回归元（偏好、序列、图）如何纳入框架。
- 阅读边界
- 仅凭摘要无法判断定理条件、证明细节、模拟或实证结果，也无法确认置信带在有限样本下的表现；摘要未说明具体数据来源与数值结果。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
We provide uniform confidence bands for kernel ridge regression (KRR), a widely used nonparametric regression estimator for nonstandard data such as preferences, sequences, and graphs. Despite the prevalence of these data--e.g., student preferences in school matching mechanisms--the inferential theory of KRR is not fully known. We construct valid and sharp confidence sets that shrink at nearly the minimax rate, allowing nonstandard regressors. Our bootstrap procedure uses anti-symmetric multipliers for computational efficiency and for validity under mis-specification. We use the procedure to develop a test for match effects, i.e. whether students benefit more from the schools they rank highly.