Consistencies and rates of convergence of jump-penalized least squares estimators
跳跃惩罚最小二乘估计的一致性与收敛速度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：摘要明确讨论有限跳跃函数及变点检测速率，直接涉及结构变化方法。
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…
跳跃惩罚最小二乘估计的一致性与收敛速度
- 研究问题
- 以分段常数函数逼近回归函数时，跳跃惩罚最小二乘估计在不同距离下如何收敛，能否适应不同平滑度及跳跃结构？
- 方法与思路
- 作者在多种函数空间与距离下分析跳跃惩罚估计，涵盖有界变差、分段 Hölder 和有限跳跃函数，并讨论自动调参。
- 材料陈述的贡献
- 摘要称估计量在某些逼近空间上具有自适应速率最优性，且对有限跳跃阶梯函数可获得变点分析中已知的跳跃检测速率。
- 阅读关注点
- 应核对不同距离下的一致性条件、逼近空间的定义、惩罚参数的取值要求，以及自动调参是否保留所述收敛性质。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出噪声假设、具体速率或调参规则，不能推断任意回归函数上的最优性及刊本变化。
原文摘要
We study the asymptotics for jump-penalized least squares regression aiming at approximating a regression function by piecewise constant functions. Besides conventional consistency and convergence rates of the estimates in L2([0, 1)) our results cover other metrics like Skorokhod metric on the space of càdlàg functions and uniform metrics on C([0, 1]). We will show that these estimators are in an adaptive sense rate optimal over certain classes of “approximation spaces.” Special cases are the class of functions of bounded variation (piecewise) Hölder continuous functions of order 0<α≤1 and the class of step functions with a finite but arbitrary number of jumps. In the latter setting, we will also deduce the rates known from change-point analysis for detecting the jumps. Finally, the issue of fully automatic selection of the smoothing parameter is addressed.