A NONPARAMETRIC REGRESSION ESTIMATOR THAT ADAPTS TO ERROR DISTRIBUTION OF UNKNOWN FORM
适应未知误差分布的非参数回归估计量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：摘要研究一般非参数回归的误差分布适应性，未涉及分位数或分布效应等所列细分方向。
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…
关注这篇论文的作者
适应未知误差分布的非参数回归估计量
- 研究问题
- 在误差分布形式未知的非参数回归中，能否构造可行估计量，使其渐近表现达到已知误差分布时不可行局部似然估计的水平？
- 方法与思路
- 作者提出新的核回归估计量，通过与需要已知误差分布的局部似然估计比较建立适应性，并用蒙特卡洛实验考察有限样本表现。
- 材料陈述的贡献
- 摘要称新估计量与不可行局部似然估计渐近等价，因此在非正态误差下相对标准核估计有所改善；具体改善指标与条件未列出。
- 阅读关注点
- 应核对未知误差分布如何估计、带宽及光滑条件，以及渐近等价采用的尺度；还应查看模拟是否体现理论所述的效率改善。
- 阅读边界
- 仅依据所给 OpenAlex 摘要，不能判断所有非正态分布下均有改善，也无法获得具体有限样本结果或推断其他版本的结论变化。
原文摘要
We propose a new kernel estimator for nonparametric regression with unknown error distribution. We show that the proposed estimator is adaptive in the sense that it is asymptotically equivalent to the infeasible local likelihood estimator (Staniswalis, 1989, Journal of the American Statistical Association 84, 276–283; Fan, Farmen, and Gijbels, 1998, Journal of the Royal Statistical Society, Series B 60, 591–608; and Fan and Chen, 1999, Journal of the Royal Statistical Society, Series B 61, 927–943), which requires knowledge of the error distribution. Hence, our estimator improves on standard nonparametric kernel estimators when the error distribution is not normal. A Monte Carlo experiment is conducted to investigate the finite-sample performance of our procedure.We thank Yuichi Kitamura, Yanqin Fan, Joel Horowitz, Roger Koenker, Jens Perch Nielsen, Peter Phillips, Peter Robinson, Tom Rothenberg, and two referees for helpful comments. Financial support from the NSF and the ESRC (UK) is gratefully acknowledged.