Asymptotic Normality of Nearest Neighbor Regression Function Estimates
最近邻回归函数估计的渐近正态性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：摘要研究一般条件均值的非参数回归，不涉及分位数或分布效应，也没有其他所列细分的直接依据。
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
最近邻回归函数估计的渐近正态性
- 研究问题
- 研究平滑最近邻估计条件均值函数时的渐近正态性，并比较局部观测较稀疏情形下最近邻与核型估计的效率。
- 方法与思路
- 作者分析二维随机向量对应的平滑最近邻回归估计，并将其渐近正态性条件与 Nadaraya–Watson 估计进行比较。
- 材料陈述的贡献
- 摘要称，最近邻估计的渐近正态性所需条件更弱，且在目标点邻域平均观测较少时，比核型估计更有效率。
- 阅读关注点
- 应核对最近邻数与平滑参数的选择、条件弱化的具体内容，以及局部稀疏和效率比较各自使用的定义与尺度。
- 阅读边界
- OpenAlex 摘要未注明稿件版本；没有给出具体条件、方差或比较范围，不能据此断言最近邻估计普遍更优或推断刊本变化。
原文摘要
Let $(X, Y)$ be a random vector in the plane. We show that a smoothed N.N. estimate of the regression function $m(x) = \mathbb{E}(Y\mid X = x)$ is asymptotically normal under conditions much weaker than needed for the Nadaraya-Watson estimate. It also turns out that N.N. estimates are more efficient than kernel-type estimates if (in the mean) there are few observations in neighborhoods of $x$.