Minimax Regression Designs Under Uniform Departure Models
一致范数偏离模型下的极小极大回归设计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：摘要讨论通用回归设计及函数邻域下的稳健最优性，没有所列模型或应用细分的直接文本依据。
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
一致范数偏离模型下的极小极大回归设计
- 研究问题
- 当真实回归函数可在一致范数意义下偏离经典参数模型时，如何为线性泛函估计寻找极小极大设计，并判定经典设计的模型稳健性？
- 方法与思路
- 作者以参数模型的一致范数邻域定义非参数模型族，用适于无限维且非处处可微问题的拉格朗日原理推导设计最优性的等价条件。
- 材料陈述的贡献
- 摘要称获得最优性等价条件并导出若干设计，其中经典 Chebyshev 回归外推设计对所设一致范数偏离具有模型稳健性。
- 阅读关注点
- 应核对模型邻域、线性泛函与极小极大损失的定义，检查最优性条件的适用范围，以及经典外推设计稳健性结论的限制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；邻域大小、损失形式与技术条件未说明，不能将该稳健性推广到任意模型误设。
原文摘要
Model robustness in optimal regression design is studied by introducing a family of nonparametric models, which are defined as neighborhoods of classical parametric models in terms of the uniform norm. Optimal designs are sought under a minimax criterion for estimating linear functionals on such models that may be put as integrals using measures of finite support. A set of conditions equivalent to design optimality is derived using a Lagrangian principle applicable when the dimension is infinite and the function is not everywhere differentiable. From these conditions various optimal designs follow. Among them is the classical extrapolation design of Kiefer and Wolfowitz for Chebyshev regression, which is therefore model-robust against uniform departure. The conditions also shed light on other classical results of Kiefer and Wolfowitz and of others.