Nonparametric Density Estimation, Prediction, and Regression for Markov Sequences
马尔可夫序列的非参数密度估计、预测与回归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：摘要直接研究平稳序列的转移规律和条件均值预测，并将方法与 ARMA 比较，支持时间序列与预测分类。
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
马尔可夫序列的非参数密度估计、预测与回归
- 研究问题
- 对于平稳马尔可夫序列，如何非参数估计转移密度与条件均值预测函数，序列依赖会怎样影响收敛速度和一致性？
- 方法与思路
- 作者使用非参数密度与回归技术估计一步转移密度和条件均值，并考察规则性、可微性及马尔可夫假设变化的影响。
- 材料陈述的贡献
- 摘要称，特定条件下预测函数估计达到与独立同分布样本相同且某种意义上最优的速率；放弃部分假设后仍可保持一致性。
- 阅读关注点
- 应核对依赖与光滑性条件、最优性的具体标准，以及放弃马尔可夫假设后所需条件，并审视与 ARMA 的比较范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；收敛条件和最优性标准未说明，作者所称 ARMA 替代方案不等于普遍优于 ARMA。
原文摘要
Let {Xi } be a stationary Markov sequence having a transition probability density function f(y | x) giving the pdf of X i +1 | (Xi = x). In this study, nonparametric density and regression techniques are employed to infer f(y | x) and m(x) = E[X i + 1 | Xi = x]. It is seen that under certain regularity and Markovian assumptions, the asymptotic convergence rate of the nonparametric estimator mn (x) to the predictor m(x) is the same as it would have been had the Xi 's been independently and identically distributed, and this rate is optimal in a certain sense. Consistency can be maintained after differentiability and even the Markovian assumptions are abandoned. Computational and modeling ramifications are explored. I claim that my methodology offers an interesting alternative to the popular ARMA approach.