Improved Estimators in Nonparametric Regression Problems
非参数回归问题中的改进估计量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估计的可容许性与风险改进，未指向所列因果、分布效应或预测等专门方向。
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
非参数回归问题中的改进估计量
- 研究问题
- 常用核型非参数回归估计量是否可以构造性地改进，相关线性估计量的可容许性结果能给出多大的风险降低界限？
- 方法与思路
- 作者推广多元均值线性估计量的可容许性定理，将其用于改进核型回归估计，并分析渐近改进界限及较小样本例子。
- 材料陈述的贡献
- 摘要称，特定情形下矩形核和 Epanechnikov 核的理论相对风险收益可达百分之五十八点六和二十九点二，小样本例子可达百分之十八。
- 阅读关注点
- 应核对风险与损失函数的定义、改进估计量的具体构造、理论界限的适用情形，以及小样本例子如何体现实际收益。
- 阅读边界
- 材料是版本未注明的 OpenAlex 索引摘要；所报幅度属于特定理论界限或例子，不能解释为所有应用的预期收益，也不能推断刊本变化。
原文摘要
Linear estimators of multivariate means are considered. Generalizations of some well-known theorems about admissibility of linear estimators are given. The results then are applied to show that commonly used kernel-type estimators in nonparametric regression problems can be constructively improved in a simple way. An asymptotic result is described that gives a quantitative measure of the maximum improvement to be gained in certain situations. A theoretical bound shows that gains are achievable in the relative risk of up to 58.6% (rectangular kernel) or 29.2% (Epanechnikov kernel). Some examples of smaller sample size are also investigated, and these show relative risk gains ranging up to 18% in realistic settings.