Some Model Robust Designs in Regression
回归中的若干模型稳健设计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：摘要研究回归泛函的稳健设计与极小极大估计，未明确涉及因果实验设计或其他所列细分方向。
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
回归中的若干模型稳健设计
- 研究问题
- 当真实回归函数可能偏离简单理想模型时，如何针对指定线性泛函共同选择观测设计与线性估计量，使最坏均方误差最小？
- 方法与思路
- 作者以无限维回归函数类描述模型偏离，将估计量限制为线性形式，在均方误差准则下寻求极小极大设计及相应估计量。
- 材料陈述的贡献
- 摘要称，论文刻画多种情形的设计结构，并给出积分泛函的部分渐近理论；最优设计高度依赖目标泛函，估计量通常并非最小二乘。
- 阅读关注点
- 应核对函数类如何约束模型偏离、设计与估计的联合优化方式，以及积分泛函渐近结果和最小二乘可用例子的条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；函数类、噪声条件和设计公式未说明，稳健性仅针对所设偏离范围，不能解释为任意设错稳健。
原文摘要
Theory for finding designs in estimating a linear functional of a regression function is developed for classes of regression functions which are infinite dimensional. These classes can be viewed as representing possible departures from an "ideal" simple model and thus describe a model robust setting. The estimates are restricted to be linear and the design (and estimate) sought is minimax for mean square error. The structure of the design is obtained in a variety of cases; some asymptotic theory is given when the functionals are integrals. As to be expected, optimal designs depend critically on the particular functional to be estimated. The associated estimate is generally not a least squares estimate but we note some examples where a least squares estimate, in conjunction with a good design, is adequate.