Nonparametric regression with homogeneous group testing data
同质分组检测数据的非参数回归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：摘要研究分组检测下的一般非参数回归，未提供与所列经济计量细分方向直接对应的证据。
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
同质分组检测数据的非参数回归
- 研究问题
- 在稀有异常的分组检测中，如何利用同质混合数据进行非参数预测，并判断合并程度对估计收敛速度的影响？
- 方法与思路
- 作者提出针对同质分组数据的非参数预测方法，分别分析适度合并与过度合并，并与随机合并预测方法比较。
- 材料陈述的贡献
- 摘要称，适度合并时可保持未合并数据的收敛率；过度合并时与最优率至多差一个对数因子，并改善随机合并方法。
- 阅读关注点
- 阅读全文时应核对同质分组的定义、异常稀有程度与合并规模的关系，以及最优率和比较结果所需的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明具体分组规则、正则条件及有限样本表现，不能推断刊本变化。
原文摘要
We introduce new nonparametric predictors for homogeneous pooled data in the context of group testing for rare abnormalities and show that they achieve optimal rates of convergence. In particular, when the level of pooling is moderate, then despite the cost savings, the method enjoys the same convergence rate as in the case of no pooling. In the setting of “over-pooling” the convergence rate differs from that of an optimal estimator by no more than a logarithmic factor. Our approach improves on the random-pooling nonparametric predictor, which is currently the only nonparametric method available, unless there is no pooling, in which case the two approaches are identical.