Nonparametric regression with filtered data
筛选观测数据下的非参数回归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：摘要明确研究中位数回归及条件生存函数，直接涉及条件分布与分位数方法。
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…
筛选观测数据下的非参数回归
- 研究问题
- 当观测数据受到反复左截断、右删失等筛选机制影响时，如何非参数估计均值与中位数回归函数，并开展点态推断？
- 方法与思路
- 作者提出先估计条件风险函数或条件生存函数，再通过积分构造回归估计，并研究利用独立误差等模型结构的改进方法。
- 材料陈述的贡献
- 摘要称建立了估计量的点态渐近正态性，并指出在所利用的模型结构确实成立时，结构化方法能够改善估计表现。
- 阅读关注点
- 应核对各类截断与删失机制允许的条件、条件分布估计如何转化为均值和中位数，以及结构化改进依赖哪些假设。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明筛选机制假设、带宽条件及性能改善的具体幅度。
原文摘要
We present a general principle for estimating a regression function nonparametrically, allowing for a wide variety of data filtering, for example, repeated left truncation and right censoring. Both the mean and the median regression cases are considered. The method works by first estimating the conditional hazard function or conditional survivor function and then integrating. We also investigate improved methods that take account of model structure such as independent errors and show that such methods can improve performance when the model structure is true. We establish the pointwise asymptotic normality of our estimators.