Wavelet regression in random design with heteroscedastic dependent errors
随机设计与异方差相关误差下的小波回归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：摘要核心是随机设计非参数回归的通用理论，虽有长程相关误差，但未明确所列经济时间序列或其他应用方向。
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
随机设计与异方差相关误差下的小波回归
- 研究问题
- 随机设计的非参数回归同时存在异方差和长程相关误差时，小波估计如何自适应，函数平滑度与依赖性怎样影响速率？
- 方法与思路
- 作者研究扭曲小波非线性逼近，在多种Besov函数类和误差度量下设定调参方案，分析异方差及长程依赖的影响。
- 材料陈述的贡献
- 摘要称得到部分或完全自适应及极小极大速率，并区分稠密、稀疏与长程依赖三个速率阶段；形状估计不受该依赖影响。
- 阅读关注点
- 应核对各速率阶段的参数边界、调参是否依赖未知量，以及形状估计的中心化定义和长程依赖不影响它的具体条件。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要，无法核实具体速率和自适应条件；形状估计结论不能直接扩展为完整回归函数均不受依赖影响。
原文摘要
We investigate function estimation in nonparametric regression models with random design and heteroscedastic correlated noise. Adaptive properties of warped wavelet nonlinear approximations are studied over a wide range of Besov scales, $f\in\mathcal{B}_{\pi,r}^{s}$, and for a variety of Lp error measures. We consider error distributions with Long-Range-Dependence parameter α, 0<α≤1; heteroscedasticity is modeled with a design dependent function σ. We prescribe a tuning paradigm, under which warped wavelet estimation achieves partial or full adaptivity results with the rates that are shown to be the minimax rates of convergence. For p>2, it is seen that there are three rate phases, namely the dense, sparse and long range dependence phase, depending on the relative values of s, p, π and α. Furthermore, we show that long range dependence does not come into play for shape estimation f−∫f. The theory is illustrated with some numerical examples.