A class of grouped Brunk estimators and penalized spline estimators for monotone regression
单调回归的分组 Brunk 估计与惩罚样条估计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：摘要研究一般单调回归与样条估计，未涉及分位数、经济结构参数或其他所列细分。
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…
单调回归的分组 Brunk 估计与惩罚样条估计
- 研究问题
- 对单调的一元回归函数，如何基于分组数据和样条构造估计量，并改善边界估计及建立均方误差和极限分布性质？
- 方法与思路
- 作者用 B 样条逼近回归函数，并根据分组数据估计样条系数，分别研究分组 Brunk 估计量和惩罚单调估计量。
- 材料陈述的贡献
- 摘要称两类估计量在边界上一致，适当条件下均方误差达到最优收敛率，且所得渐近分布不依赖样条次数与结点数。
- 阅读关注点
- 应核对真实函数所需条件、数据分组与结点设置、最优速率的适用范围，以及渐近分布不依赖样条设置的准确含义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列明最优速率、函数条件或数值结果，不能推断任意结点设置均有效。
原文摘要
We study a class of monotone univariate regression estimators. We use B-splines to approximate an underlying regression function and estimate spline coefficients based on grouped data. We investigate asymptotic properties of two monotone estimators: a grouped Brunk estimator and a penalized monotone estimator. These estimators are consistent at the boundary and their mean square errors achieve optimal convergence rates under suitable assumptions of the true regression function. Asymptotic distributions are developed and are shown to be independent of spline degrees and the number of knots. Simulation results and car data illustrate performance of the proposed estimators.