Non-Parametric Regression Estimation from Data Contaminated by a Mixture of Berkson and Classical Errors
Berkson 与经典测量误差混合污染下的非参数回归估计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：摘要讨论一般测量误差回归，未明确涉及因果效应、结构估计或其他所列方向。
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…
Berkson 与经典测量误差混合污染下的非参数回归估计
- 研究问题
- 研究解释变量同时受到 Berkson 误差与经典测量误差污染时，如何估计其与响应变量之间的回归函数。
- 方法与思路
- 作者为两类误差混合情形提出非参数回归估计量，分析一致性与收敛速度，并给出数据驱动的实施方案。
- 材料陈述的贡献
- 摘要称文章证明估计量一致性、推导收敛速度，并通过模拟与真实数据展示有限样本表现，但未报告具体结果。
- 阅读关注点
- 阅读全文时应核对混合误差机制、误差分布所需信息、回归函数识别条件，以及数据驱动实施中的调参规则。
- 阅读边界
- 仅据所给 Crossref 摘要版本；误差独立性、分布知识要求和识别条件未说明，不能推断适用于任意测量误差数据。
原文摘要
Summary Estimation of a regression function is a well-known problem in the context of errors in variables, where the explanatory variable is observed with random noise. This noise can be of two types, which are known as classical or Berkson, and it is common to assume that the error is purely of one of these two types. In practice, however, there are many situations where the explanatory variable is contaminated by a mixture of the two errors. In such instances, the Berkson component typically arises because the variable of interest is not directly available and can only be assessed through a proxy, whereas the inaccuracy that is related to the observation of the latter causes an error of classical type. We propose a non-parametric estimator of a regression function from data that are contaminated by a mixture of the two errors. We prove consistency of our estimator, derive rates of convergence and suggest a data-driven implementation. Finite sample performance is illustrated via simulated and real data examples.