On Curve Estimation by Minimizing Mean Absolute Deviation and Its Implications
通过最小化平均绝对偏差估计曲线及其含义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：摘要明确研究局部中位数回归，即条件分位数估计，符合分位数与分布方向。
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
通过最小化平均绝对偏差估计曲线及其含义
- 研究问题
- 局部中位数回归的最优统计性质是什么，在绝对误差损失下，它与其他最小绝对偏差估计及平滑方法如何比较？
- 方法与思路
- 作者采用决策理论论证局部加权中位数估计的渐近极小极大性质，并研究其在更广估计量类别中的渐近效率。
- 材料陈述的贡献
- 摘要称局部加权中位数在绝对误差损失下具有所述类别内的渐近最优性，并在相近光滑条件下优于直方图估计。
- 阅读关注点
- 应核对损失函数、估计量比较类别、曲线光滑条件及权重选择，并区分最小绝对偏差类别内最优性和更广效率结论。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；最优性限于所述损失、光滑条件与渐近框架，不能推断所有有限样本场景均占优。
原文摘要
The local median regression method has long been known as a robustified alternative to methods such as local mean regression. Yet, its optimal statistical properties are largely unknown. In this paper, we show via decision-theoretic arguments that a local weighted median estimator is the best least absolute deviation estimator in an asymptotic minimax sense, under $L_1$-loss. We also study asymptotic efficiency of the local median estimator in the class of all possible estimators. From a practical viewpoint our results show that local weighted medians are preferable to histogram estimators, since they enjoy optimality properties which the latter do not, under virtually identical smoothness assumptions on the underlying curve. Among smoothing methods that are adapted to functions with only one derivative, little is to be gained by using an estimator other than one based on the local median.