Bandwidth Selection in Semiparametric Estimation of Censored Linear Regression Models
删失线性回归半参数估计中的带宽选择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：摘要明确讨论删失回归中的分位数估计及其所需分布函数导数，支持归入分位数与分布效应方向。
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
删失线性回归半参数估计中的带宽选择
- 研究问题
- 删失线性回归的分位数与半参数 M 估计依赖未知分布函数导数时，应如何选择带宽以缓解估计和推断的敏感性？
- 方法与思路
- 作者分别研究分位数估计所用核导数估计、半参数 M 估计所用有限差分导数估计，并讨论其渐近最优带宽理论。
- 材料陈述的贡献
- 摘要所述贡献是讨论两类导数估计的渐近最优带宽，并指出带宽会影响参数估计和推断；文章未提供全自动选择方法。
- 阅读关注点
- 应核对最优带宽对应的目标准则、核与差分估计所需条件，以及导数估计误差如何传递到参数估计和推断。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体带宽公式及有限样本效果；渐近最优理论不能直接视为全自动实施方案。
原文摘要
Quantile and semiparametric M estimation are methods for estimating a censored linear regression model without assuming that the distribution of the random component of the model belongs to a known parametric family. Both methods require estimating derivatives of the unknown cumulative distribution function of the random component. The derivatives can be estimated consistently using kernel estimators in the case of quantile estimation and finite difference quotients in the case of semiparametric M estimation. However, the resulting estimates of derivatives, as well as parameter estimates and inferences that depend on the derivatives, can be highly sensitive to the choice of the kernel and finite difference bandwidths. This paper discusses the theory of asymptotically optimal bandwidths for kernel and difference quotient estimation of the derivatives required for quantile and semiparametric M estimation, respectively. We do not present a fully automatic method for bandwidth selection.