Uniform Estimation and Inference for Nonparametric Partitioning-Based M-Estimators
非参数分割型 M 估计的一致估计与统一推断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：摘要明确以分位数回归和分布回归展示理论应用，因此对应分位数与分布方向，同时该理论适用范围更广。
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…
非参数分割型 M 估计的一致估计与统一推断
- 研究问题
- 如何为广泛的非参数分割型 M 估计建立统一理论，同时覆盖函数评价点和损失函数索引参数上的估计与推断？
- 方法与思路
- 作者研究凸及非凸目标、损失光滑性和链接函数，建立一致性、Bahadur 表示、收敛速率、强逼近及可行统一推断。
- 材料陈述的贡献
- 摘要称，理论在若干情形下达到最优速率并放宽已有条件，覆盖分位数、分布、Lₚ 和 logistic 回归等例子。
- 阅读关注点
- 应核对分割与基函数要求、两类统一性的范围、辅助速率限制，以及各例子如何满足条件和改进已有理论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列完整假设，所称最优性和条件改进需结合具体情形核验。
原文摘要
This paper presents uniform estimation and inference theory for a large class of nonparametric partitioning-based M-estimators. The main theoretical results include: (i) uniform consistency for convex and non-convex objective functions; (ii) rate-optimal uniform Bahadur representations; (iii) rate-optimal uniform (and mean square) convergence rates; (iv) valid strong approximations and feasible uniform inference methods; and (v) extensions to functional transformations of underlying estimators. Uniformity is established over both the evaluation point of the nonparametric functional parameter and a Euclidean parameter indexing the class of loss functions. The results also account explicitly for the smoothness degree of the loss function (if any), and allow for a possibly non-identity (inverse) link function. We illustrate the theoretical and methodological results in four examples: quantile regression, distribution regression, $L_p$ regression, and logistic regression. Many other possibly non-smooth, nonlinear, generalized, robust M-estimation settings are covered by our results. We provide detailed comparisons with the existing literature and demonstrate substantive improvements: we achieve the best (in some cases optimal) known results under improved (in some cases minimal) requirements in terms of regularity conditions and side rate restrictions. The supplemental appendix reports complementary technical results that may be of independent interest, including a novel uniform strong approximation result based on Yurinskii's coupling.