A Risk Bound in Sobolev Class Regression
Sobolev 类回归中的风险界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：摘要讨论一般非参数回归的光滑类风险与极小极大理论，没有明确涉及所列经济计量领域细分的专门问题。
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
Sobolev 类回归中的风险界
- 研究问题
- 研究回归函数属于 Sobolev 光滑类且噪声分布未知、非正态时，如何建立比收敛速率更精确的渐近风险界。
- 方法与思路
- 作者借助与独立同分布位置模型的类比，建立积分均方误差的渐近风险下界，并讨论下界达到与自适应平滑的关系。
- 材料陈述的贡献
- 摘要称，论文将正态误差下线性极小极大估计的渐近极小极大结论推广到非正态、未知噪声分布的情形。
- 阅读关注点
- 读全文时应核对噪声分布允许的范围、Sobolev 类的定义与风险常数，并区分已证明的下界和关于可达性的讨论。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出噪声限制、风险常数及达到下界的构造，不能判断推广范围。
原文摘要
For nonparametric regression estimation, when the unknown function belongs to a Sobolev smoothness class, sharp risk bounds for integrated mean square error have been found recently which improve on optimal rates of convergence results. The key to these has been the fact that under normality of the errors, the minimax linear estimator is asymptotically minimax in the class of all estimators. We extend this result to the nonnormal case, when the noise distribution is unknown. The pertaining lower asymptotic risk bound is established, based on an analogy with a location model in the independent identically distributed case. Attainment of the bound and its relation to adaptive optimal smoothing are discussed.