On the degrees of freedom in shape-restricted regression
形状约束回归中的自由度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：摘要讨论一般形状约束回归及自由度，没有明确研究因果效应、结构模型或其他所列领域。
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
形状约束回归中的自由度
- 研究问题
- 在单调或凸性等形状约束下，如何衡量回归模型的有效维度，并将这一度量用于理解拟合误差、残差平方和与误差方差估计？
- 方法与思路
- 作者以最大似然估计映射的散度度量有效维度，推导期望均方误差和残差平方和的不等式，并分析单调回归及方差估计。
- 材料陈述的贡献
- 摘要称将线性回归中的相关等式推广为不等式，给出误差方差估计的渐近正态性，并建立单调回归最优收敛率及方差偏差修正。
- 阅读关注点
- 应核对散度与自由度的定义、噪声及设计条件，检查不等式和最优速率的适用范围，并查阅原 PDF 确认方差公式的符号。
- 阅读边界
- OpenAlex 索引摘要版本未注明，所示渐近方差中的 sigma_2 含义不清，可能有上下标丢失；须查原 PDF，不能据此重构公式。
原文摘要
For the problem of estimating a regression function, $\mu$ say, subject to shape constraints, like monotonicity or convexity, it is argued that the divergence of the maximum likelihood estimator provides a useful measure of the effective dimension of the model. Inequalities are derived for the expected mean squared error of the maximum likelihood estimator and the expected residual sum of squares. These generalize equalities from the case of linear regression. As an application, it is shown that the maximum likelihood estimator of the error variance $\sigma^2$ is asymptotically normal with mean $\sigma^2$ and variance $2\sigma_2/n$. For monotone regression, it is shown that the maximum likelihood estimator of $\mu$ attains the optimal rate of convergence, and a bias correction to the maximum likelihood estimator of $\sigma^2$ is derived.