Scalar-on-function local linear regression and beyond
标量对函数的局部线性回归及其扩展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：摘要研究一般函数型非参数回归与导数估计，未指向所列经济应用，也不能仅凭指标模型表述归入结构估计。
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…
标量对函数的局部线性回归及其扩展
- 研究问题
- 当解释变量是随机函数而响应是标量时，如何以非参数方式估计回归泛函及其泛函导数，并利用导数帮助单函数指标模型估计？
- 方法与思路
- 作者采用基于投影的函数型局部线性回归，分析回归泛函和其导数估计的理论性质，并通过模拟与单函数指标模型实例展示用途。
- 材料陈述的贡献
- 摘要称，局部线性方法在所分析的渐近意义下优于局部常数方法，其泛函导数估计具有一致性，并可用于一种快速的指标模型估计。
- 阅读关注点
- 应核对函数投影维数、带宽与光滑性条件，明确渐近比较使用的准则，并查看泛函导数如何转化为指标模型的估计信息。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体收敛速率、比较优势的条件及实例改善幅度；导数的估计解释也不能直接作因果解释。
原文摘要
Summary It is common to want to regress a scalar response on a random function. This paper presents results that advocate local linear regression based on a projection as a nonparametric approach to this problem. Our asymptotic results demonstrate that functional local linear regression outperforms its functional local constant counterpart. Beyond the estimation of the regression operator itself, local linear regression is also a useful tool for predicting the functional derivative of the regression operator, a promising mathematical object in its own right. The local linear estimator of the functional derivative is shown to be consistent. For both the estimator of the regression functional and the estimator of its derivative, theoretical properties are detailed. On simulated datasets we illustrate good finite-sample properties of the proposed methods. On a real data example of a single-functional index model, we indicate how the functional derivative of the regression operator provides an original, fast and widely applicable estimation method.