Kernel Averaging Estimators
核平均估计量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：摘要研究通用核回归的带宽选择与模型平均，未明确涉及因果、面板、时间序列或金融问题，现有细分不足以对应。
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…
核平均估计量
- 研究问题
- 回归函数平滑程度未知时，如何缓解核回归的带宽选择不确定性，并通过综合多个带宽下的估计改善整体估计误差？
- 方法与思路
- 作者对不同带宽的Nadaraya–Watson核回归估计取加权平均，通过最小化最小二乘交叉验证准则选择权重，缓解未知平滑度带来的选择困难。
- 材料陈述的贡献
- 摘要称，作者证明组合核估计达到最小可能的渐近总平方误差，并以模拟和真实数据示例报告相对传统带宽方案的改善。
- 阅读关注点
- 核对候选带宽集合、权重约束与交叉验证实现，以及渐近最优结论的误差定义、适用条件和有限样本比较的设置。
- 阅读边界
- 仅据出版社摘要，尚不能判断最优性的具体比较范围、平滑性条件及改善幅度；摘要未说明真实数据来源与实现细节。
原文摘要
The issue of bandwidth selection is a fundamental model selection problem stemming from the uncertainty about the smoothness of the regression. In this article, we advocate a model averaging approach to circumvent the problem caused by this uncertainty. Our new approach involves averaging across a series of Nadaraya-Watson kernel estimators each under a different bandwidth, with weights for these different estimators chosen such that a least-squares cross-validation criterion is minimized. We prove that the resultant combined-kernel estimator achieves the smallest possible asymptotic aggregate squared error. The superiority of the new estimator over estimators based on widely accepted conventional bandwidth choices in finite samples is demonstrated in a simulation study and a real data example.