Asymptotic equivalence and adaptive estimation for robust nonparametric regression
稳健非参数回归的渐近等价与自适应估计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：摘要研究一般稳健非参数回归与泛函估计，未提供分位数效应、因果推断或其他所列方向的依据。
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
稳健非参数回归的渐近等价与自适应估计
- 研究问题
- 如何将原本限于有界损失的渐近等价理论扩展到无界损失，并借此把高斯非参数回归程序转化为稳健且自适应的程序？
- 方法与思路
- 作者先将数据分箱并取各箱中位数，以此建立稳健回归的渐近等价；再构造回归函数与二次泛函的估计程序。
- 材料陈述的贡献
- 摘要称，文章建立无界损失下的渐近等价结果，为统一稳健化高斯回归程序提供依据，并展示兼具稳健性与自适应性的估计。
- 阅读关注点
- 应核对误差分布和函数光滑性限制、分箱规模的选择，以及无界损失下等价结论如何传递到具体风险与自适应保证。
- 阅读边界
- 仅依据稿件版本未注明的 OpenAlex 索引摘要；适用条件和风险界未说明，置信集与假设检验仅被称可类似处理，不能视为已完整展示。
原文摘要
Asymptotic equivalence theory developed in the literature so far are only for bounded loss functions. This limits the potential applications of the theory because many commonly used loss functions in statistical inference are unbounded. In this paper we develop asymptotic equivalence results for robust nonparametric regression with unbounded loss functions. The results imply that all the Gaussian nonparametric regression procedures can be robustified in a unified way. A key step in our equivalence argument is to bin the data and then take the median of each bin. The asymptotic equivalence results have significant practical implications. To illustrate the general principles of the equivalence argument we consider two important nonparametric inference problems: robust estimation of the regression function and the estimation of a quadratic functional. In both cases easily implementable procedures are constructed and are shown to enjoy simultaneously a high degree of robustness and adaptivity. Other problems such as construction of confidence sets and nonparametric hypothesis testing can be handled in a similar fashion.