Minimax linear estimation in a white noise problem
白噪声问题中的极小极大线性估计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：摘要是白噪声模型下的非参数极小极大理论，没有所列经济计量细分方向的直接依据。
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
白噪声问题中的极小极大线性估计
- 研究问题
- 白噪声模型下，针对一阶导数满足 Lipschitz 条件的函数类，如何在线性估计量中最优地估计某一点的函数值？
- 方法与思路
- 作者在指定光滑函数类上求出点值的精确线性极小极大估计量，再利用该估计量考察 Epanechnikov 核的接近最优性。
- 材料陈述的贡献
- 摘要称，论文得到目标函数类上的精确线性极小极大解，并据此验证关于 Epanechnikov 核接近最优性的既有猜想。
- 阅读关注点
- 应核对函数类的定义、风险损失和白噪声设置，以及最优性的线性估计限制与核函数接近最优性的量化标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体风险、估计公式及接近最优程度未提供，不能扩展为所有估计量中的最优性。
原文摘要
.Linear estimation of $f(x)$ at a point in a white noise model is considered. The exact linear minimax estimator of $f(0)$ is found for the family of $f(x)$ in which $f'(x)$ is Lip (M). The resulting estimator is then used to verify a conjecture of Sacks and Ylvisaker concerning the near optimality of the Epanechnikov kernel.