Optimal Estimation of a General Regression Function
一般回归函数的最优估计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：摘要研究一般回归函数估计的统计理论，线性及指数响应示例没有明确对应所给计量领域细分。
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…
关注这篇论文的作者
一般回归函数的最优估计
- 研究问题
- 当独立观测的分布由未知回归函数决定且不限制其函数形式时，如何构造具有渐近正态性、局部最优性和稳健性的估计？
- 方法与思路
- 作者依据最小距离原则估计一般回归函数，在适当的无限维框架中研究极限性质，并以线性及指数响应模型说明。
- 材料陈述的贡献
- 摘要称，在正则条件下所提估计渐近正态、局部渐近极小极大且稳健；不限制函数形式使其极限分布位于无限维线性空间。
- 阅读关注点
- 应核对最小距离准则、正则条件和无限维收敛框架，以及局部渐近极小极大的损失定义与稳健性的准确含义。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未列出正则条件、损失或稳健范围，不能将题名中的最优理解为无条件最优。
原文摘要
Let $\Theta$ be a convex subset of $R^d$, and for each $\theta \in \Theta$ let $F(\theta; dt)$ be a probability on the line. For any vector $a_n = (a_{n1}, a_{n2}, \cdots, a_{nn})$ where $a_{ni} \in \Theta$, let $X_{n1}, \cdots, X_{nn}$ be independent observations, the distribution of $X_{ni}$ being $F(a_{ni}; dt)$. The main results give a method of estimating the unknown regression function $a_n$ based on a minimum distance recipe. Under regularity assumptions, the proposed estimators are shown, in an appropriate framework, to be asymptotically normal, locally asymptotically minimax, and robust. The abstract results are illustrated by application to the linear model and to exponential response models. In general, nothing at all is assumed about the form of the regression function; accordingly, this forces the limiting normal distributions of the proposed estimators to be located on infinite dimensional linear spaces.