Spline Smoothing in Regression Models and Asymptotic Efficiency in $L_2$
回归模型中的样条平滑与L₂渐近效率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：摘要属于通用非参数回归与极小极大效率理论，没有对应所列细分方向的直接证据。
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
回归模型中的样条平滑与L₂渐近效率
- 研究问题
- 在有界区间的非参数回归中，已知积分均方误差的最优收敛率后，能否进一步确定Sobolev类上的最优风险常数？
- 方法与思路
- 作者假设误差服从正态分布，利用Hilbert空间中的极小极大滤波结果建立风险界，并发展适用于非循环模型的样条变体。
- 材料陈述的贡献
- 摘要称获得Sobolev光滑类上极小极大风险常数的精确结果，类似渐近方差的Fisher界，并提出样条平滑的相应变体。
- 阅读关注点
- 应核对Sobolev类与风险的定义、正态误差及设计条件、最优常数的具体表达，以及非循环情形的边界处理。
- 阅读边界
- 依据OpenAlex索引摘要，稿件版本未注明；摘要未提供最优常数、样条构造或完整条件，不能推断非正态误差下仍具有相同效率。
原文摘要
For nonparametric regression estimation on a bounded interval, optimal rates of decrease for integrated mean square error are known but not the best possible constants. A sharp result on such a constant, i.e., an analog of Fisher's bound for asymptotic variances is obtained for minimax risk over a Sobolev smoothness class. Normality of errors is assumed. The method is based on applying a recent result on minimax filtering in Hilbert space. A variant of spline smoothing is developed to deal with noncircular models.