Local Partitioned Regression
局部分块回归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：摘要讨论适用于多类半参数与非参数模型的通用估计原则，未明确涉及所列标签对应的应用或模型主题，因此缺乏细分领域归类依据。
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…
局部分块回归
- 研究问题
- 能否将线性模型的分块回归思想推广到半参数和非参数模型，用统一估计原则覆盖多类模型，并兼顾收敛性质与计算成本？
- 方法与思路
- 作者提出基于核方法的局部分块回归，将线性模型的分块回归思想推广到非参数情形，用统一原则构造多类半参数与非参数估计量。
- 材料陈述的贡献
- 摘要称，该方法涵盖加性、部分线性和变系数等模型，具有最优收敛速度与oracle效率，并声称结构简单、适用广泛且计算成本低。
- 阅读关注点
- 核对最优收敛率与oracle效率对应的条件和比较基准、各类模型如何构造估计量，以及模拟设计如何支持计算成本方面的陈述。
- 阅读边界
- 摘要未说明最优性与oracle效率的完整条件，也未列出模拟设计或计算成本指标；仅凭摘要不能确认这些性质在具体应用中成立。
原文摘要
In this paper, we introduce a kernel-based estimation principle for nonparametric models named local partitioned regression (LPR). This principle is a nonparametric generalization of the familiar partition regression in linear models. It has several key advantages: First, it generates estimators for a very large class of semi- and nonparametric models. A number of examples that are particularly relevant for economic applications will be discussed in this paper. This class contains the additive, partially linear, and varying coefficient models as well as several other models that have not been discussed in the literature. Second, LPR-based estimators achieve optimality criteria: They have optimal speed of convergence and are oracle-efficient. Moreover, they are simple in structure, widely applicable, and computationally inexpensive. A Monte Carlo simulation highlights these advantages. Copyright The Econometric Society 2006.