Nonparametric least squares estimation of a multivariate convex regression function
多元凸回归函数的非参数最小二乘估计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：摘要研究通用形状约束回归，没有经济结构模型依据，不能据凸性约束归为结构估计。
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
多元凸回归函数的非参数最小二乘估计
- 研究问题
- 预测变量为多维时，凸回归函数的非参数最小二乘估计如何计算，其函数估计与次微分在何种条件下一致？
- 方法与思路
- 作者通过特定二次规划和线性规划刻画并讨论估计量计算，分别研究固定设计与随机设计下的一致性条件。
- 材料陈述的贡献
- 摘要称提供多元凸回归最小二乘估计的优化刻画，并给出估计量及其次微分在两类设计下保持一致的充分条件。
- 阅读关注点
- 应核对凸性约束的优化表达、样本外函数定义、次微分一致性的度量，以及固定和随机设计下各自所需的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给一致性的具体条件、收敛速率或计算复杂度，不能推断高维表现。
原文摘要
This paper deals with the consistency of the nonparametric least squares estimator of a convex regression function when the predictor is multidimensional. We characterize and discuss the computation of such an estimator via the solution of certain quadratic and linear programs. Mild sufficient conditions for the consistency of this estimator and its subdifferentials in fixed and stochastic design regression settings are provided.