Improved Estimators in Nonparametric Regression Problems
非参数回归问题中的改进估计量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：摘要涉及通用非参数回归的可容许性与风险改进，没有明确对应所列应用细分。
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
非参数回归问题中的改进估计量
- 研究问题
- 常用核型非参数回归估计量能否通过简单、可构造的调整降低风险？研究还关心特定情形下可获得的最大相对风险改善。
- 方法与思路
- 作者推广多元均值线性估计量可容许性的相关定理，将结果用于构造核型回归估计量的改进，并分析渐近界和小样本例子。
- 材料陈述的贡献
- 摘要称可简单改进常用核估计量；矩形核与 Epanechnikov 核的理论相对风险改善界分别达 58.6% 和 29.2%，所考察小样本例子最高达 18%。
- 阅读关注点
- 阅读全文时应核对风险函数、改进估计量的构造，以及理论上限对应的特定情形和小样本例子中实际收益的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，具体条件未展开；所列百分比是理论界或所考察例子的结果，不能视为任何数据上的保证收益。
原文摘要
Linear estimators of multivariate means are considered. Generalizations of some well-known theorems about admissibility of linear estimators are given. The results then are applied to show that commonly used kernel-type estimators in nonparametric regression problems can be constructively improved in a simple way. An asymptotic result is described that gives a quantitative measure of the maximum improvement to be gained in certain situations. A theoretical bound shows that gains are achievable in the relative risk of up to 58.6% (rectangular kernel) or 29.2% (Epanechnikov kernel). Some examples of smaller sample size are also investigated, and these show relative risk gains ranging up to 18% in realistic settings.