Kernel Estimators for Univariate Binary Regression
单协变量二元回归的核估计量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：摘要直接研究二元响应概率的非参数回归，属于离散响应建模方向，但未明确赋予其经济选择行为解释。
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
单协变量二元回归的核估计量
- 研究问题
- 在只有一个协变量的二元回归中，哪些核估计和带宽选择方法表现较好，双带宽方法的潜力能否由数据驱动选择实现？
- 方法与思路
- 作者比较 Nadaraya–Watson 与局部线性方法、单及双带宽和数据驱动选择，并按两响应组稳健方差比提出混合估计规则。
- 材料陈述的贡献
- 摘要称，数据驱动带宽削弱双带宽方法的部分潜力；作者据比较结果提出以局部线性 logistic 和双带宽方法切换的方案。
- 阅读关注点
- 应核对估计量定义、交叉验证与 plug-in 带宽的实现，以及稳健方差比阈值为二的切换规则依据和比较范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体评估设计、误差结果及阈值适用范围未提供，不能将比较偏好解释为普遍最优或推断刊本变化。
原文摘要
We present a rather thorough investigation of the use of kernel-based nonparametric estimators of the binary regression function in the case of a single covariate. We consider various versions of Nadaraya–Watson and local linear estimators, some involving a single bandwidth and others involving two bandwidths. The locally linear logistic estimator proves to be a good single-bandwidth estimator, although the basic Nadaraya–Watson estimator also fares quite well. Two-bandwidth methods show great potential when bandwidths are selected with knowledge of the target function, but much of their potential vanishes when data-based bandwidths are used. Likelihood cross-validation and plug-in approaches are the data-based bandwidth selection methods tested; both prove quite useful, with a preference for the latter. Adaptive two-bandwidth methods retain particularly good performance only in certain special situations (and separate estimation of the two bandwidths as for optimal density estimation is never recommended). We therefore propose a hybrid estimation procedure in which the local linear logistic estimator is used unless the ratio of (robust) variances of the covariate in the success and failure groups is greater than 2, in which case we switch to a two-bandwidth Nadaraya–Watson-type estimator, each using plug-in bandwidth selection.