Optimal Kernel Weights under a Power Criterion
基于功效准则的最优核权重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核权重优化，未明确涉及所列因果、分布或时间序列方向。
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
基于功效准则的最优核权重
- 研究问题
- 在非参数估计回归函数斜率时，如何以检验功效最大化作为选择核权重的标准，并理解相应的最优性？
- 方法与思路
- 作者将核权重的优化目标由积分均方误差最小化改为功效最大化，据此推导用于回归斜率估计的最优权重。
- 材料陈述的贡献
- 摘要称功效准则使最优核权重的推导较其他准则更简单，并提供对最优权重为何具有相应形式的直观理解。
- 阅读关注点
- 应核对功效所针对的原假设与备择、可选核权重的限制，以及带宽和样本设计如何进入最优性比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化。具体检验、权重形式和最优性条件未说明，不能认定估计风险更低。
原文摘要
We develop an approach to choosing optimal kernel weights for nonparametric estimation of the slope of the regression function which uses maximization of power, rather than minimization of integrated mean squared error (IMSE), as its optimality criterion. This power criterion leads to optimal kernel weights whose derivation is simpler than under other criteria and which provides an intuitive understanding of the nature of the optimality.