Local Linear Regression Smoothers and Their Minimax Efficiencies
局部线性回归平滑器及其极小极大效率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：摘要明确指出极小极大下界适用于条件分位数估计，因此与分位数方向直接相关；并未提供因果分布效应的证据。
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
局部线性回归平滑器及其极小极大效率
- 研究问题
- 局部线性回归的平滑版本在均方误差和积分均方误差上具有怎样的表现，能否在收敛速度及常数上接近极小极大界？
- 方法与思路
- 作者显式计算平滑器的误差，并借助最难一维子问题的思路建立渐近极小极大下界，联系风险与连续模的关系。
- 材料陈述的贡献
- 摘要称平滑器不仅达到有效收敛速度，常数也接近极小极大效率；所给下界还适用于固定与随机设计下的条件均值和分位数估计。
- 阅读关注点
- 应核对函数类别、平滑参数及风险标准，区分速度效率与常数效率，并确认条件分位数扩展中下界的具体适用范围。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出函数类、效率常数或完整证明，不能将接近有效解释为精确达到下界。
原文摘要
In this paper we introduce a smooth version of local linear regression estimators and address their advantages. The MSE and MISE of the estimators are computed explicitly. It turns out that the local linear regression smoothers have nice sampling properties and high minimax efficiency-they are not only efficient in rates but also nearly efficient in constant factors. In the nonparametric regression context, the asymptotic minimax lower bound is developed via the heuristic of the "hardest onedimensional subproblem" of Donoho and Liu. Connections of the minimax risk with the modulus of continuity are made. The lower bound is also applicable for estimating conditional mean (regression) and conditional quantiles for both fixed and random design regression problems.