Adaptive estimation in autoregression or -mixing regression via model selection
通过模型选择实现自回归或 β 混合回归中的自适应估计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：摘要明确列出自回归、混合依赖回归及自回归阶数估计，对应时间序列方法。
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…
关注这篇论文的作者
通过模型选择实现自回归或 β 混合回归中的自适应估计
- 研究问题
- 在 β 混合依赖数据下，如何通过模型选择估计未知回归函数，并在较弱误差矩条件下取得自适应风险保证？
- 方法与思路
- 作者在有限维模型集合中数据驱动地选择模型，构造惩罚最小二乘估计量，建立非渐近风险界并分析多个依赖回归场景。
- 材料陈述的贡献
- 摘要称，该方法具有非渐近风险界，并在弱误差矩条件下对一族 Besov 球同时达到极小极大意义的自适应性。
- 阅读关注点
- 应核对 β 混合衰减和误差矩的具体要求、惩罚项的构造，以及自回归、混合设计与混合误差各自的适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；混合速率、惩罚常数和风险界未详述，不能将结论推广到任意依赖序列。
原文摘要
We study the problem of estimatingsome unknown regression function in a $\beta$-mixing dependent framework. To this end, we consider some collection of models which are finite dimensional spaces. A penalized least-squares estimator (PLSE) is built on a data driven selected model among this collection. We state non asymptotic risk bounds for this PLSE and give several examples where the procedure can be applied (autoregression, regression with arithmetically $\beta$-mixing design points, regression with mixing errors, estimation in additive frameworks, estimation of the order of the autoregression). In addition we show that under a weak moment condition on the errors, our estimator is adaptive in the minimax sense simultaneously over some family of Besov balls.