Estimating a Regression Function
回归函数的估计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：摘要讨论一般回归函数估计的收敛理论，未明确涉及分位数效应、因果推断或其他所列具体领域。
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
回归函数的估计
- 研究问题
- 能否用统一的复杂度分析建立回归函数估计的收敛率，并解释不同回归模型与损失函数之间共有的理论特征？
- 方法与思路
- 作者提出熵方法，研究最小二乘、最小绝对偏差和惩罚最小二乘，并将线性、样条及保序回归纳入一般框架。
- 材料陈述的贡献
- 摘要称，该方法用于建立回归函数估计量的收敛率，并突出多种估计程序和回归问题之间可共同分析的特征。
- 阅读关注点
- 应核对所用熵与函数类复杂度的定义、误差和设计条件，以及不同损失与惩罚如何影响收敛率和适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体熵条件、收敛率和证明未提供，不能判断所得速率是否最优或各方法是否等价。
原文摘要
In this paper, an entropy approach is proposed to establish rates of convergence for estimators of a regression function. General regression problems are considered, with linear regression, splines and isotonic regression as special cases. The estimation methods studied are least squares, least absolute deviations and penalized least squares. Common features of these methods and various regression problems are highlighted.