Nonparametric function estimation subject to monotonicity, convexity and other shape constraints
单调性、凸性及其他形状约束下的非参数函数估计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：摘要研究通用的形状受限函数估计，未提供足以对应所列应用领域细分的证据。
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…
单调性、凸性及其他形状约束下的非参数函数估计
- 研究问题
- 如何在具有对数凹似然的模型中进行形状受限的非参数函数估计，并兼顾非高斯情形的计算效率与小样本表现？
- 方法与思路
- 作者在贝叶斯框架中使用自由结点和固定结点回归样条，施加单调、凸或单一极小值约束，并开发相应的 MCMC 算法。
- 材料陈述的贡献
- 摘要称，新算法在非高斯模型中收敛更快；单调受限估计在所考察模拟中表现良好，并对一大类光滑函数具有一致性。
- 阅读关注点
- 应核对形状约束如何转化为样条参数限制、先验与结点选择、算法收敛的比较标准，以及一致性结论需要的光滑性条件。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明具体先验、正则条件、模拟设计和两个实例的内容，不能将比较优势推广至其他模型。
原文摘要
This paper uses free-knot and fixed-knot regression splines in a Bayesian context to develop methods for the nonparametric estimation of functions subject to shape constraints in models with log-concave likelihood functions. The shape constraints we consider include monotonicity, convexity and functions with a single minimum. A computationally efficient MCMC sampling algorithm is developed that converges faster than previous methods for non-Gaussian models. Simulation results indicate the monotonically constrained function estimates have good small sample properties relative to (i)Â unconstrained function estimates, and (ii) function estimates obtained from other constrained estimation methods when such methods exist. Also, asymptotic results show the methodology provides consistent estimates for a large class of smooth functions. Two detailed illustrations exemplify the ideas.