Estimation of a Convex Function: Characterizations and Asymptotic Theory
凸函数估计：估计量刻画与渐近理论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：摘要讨论一般形状约束回归与密度估计，没有分布效应或其他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…
凸函数估计：估计量刻画与渐近理论
- 研究问题
- 在凸性约束下，如何非参数估计回归函数与密度函数，并刻画估计量的一致性以及函数具有正曲率时的定点渐近分布？
- 方法与思路
- 作者在回归和密度场景采用最小二乘，在密度场景另研究最大似然；渐近分析依赖由配套论文建立的积分布朗运动内包络函数。
- 材料陈述的贡献
- 摘要称，论文给出这些估计量的刻画，证明一致性，并建立被估函数在正曲率固定点处的渐近分布；内包络存在性由配套论文提供。
- 阅读关注点
- 阅读全文时应核对凸性约束下估计量的定义、定点归一化和正曲率条件，并查清配套论文结果如何进入本论文的渐近证明。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；边界点、零曲率情形与具体极限尺度未说明，不能把定点理论推广至整个函数域或归入配套论文成果。
原文摘要
We study nonparametric estimation of convexregression and density functions by methods of least squares (in the regression and density cases) and maximum likelihood (in the density estimation case).We provide characterizations of these estimators, prove that they are consistent and establish their asymptotic distributions at a fixed point of positive curvature of the functions estimated. The asymptotic distribution theory relies on the existence of an “invelope function” for integrated two-sided Brownian motion $+t^4$ which is established in a companion paper by Groeneboom, Jongbloed and Wellner.