Rodeo: Sparse, greedy nonparametric regression
Rodeo：稀疏、贪心的非参数回归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：摘要明确涉及通用非参数回归与变量选择，但未涉及给定分类中的因果、结构、面板或其他专门问题。
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
Rodeo：稀疏、贪心的非参数回归
- 研究问题
- 在只有部分变量影响回归函数时，如何同时选择局部带宽和相关变量，使非参数估计的收敛表现取决于相关变量数量？
- 方法与思路
- 作者从大带宽的局部线性估计出发，对估计量关于带宽的导数进行连续检验，并逐步缩小导数较大变量的带宽。
- 材料陈述的贡献
- 摘要称，在回归函数和抽样密度满足一定假设时，方法达到依赖相关变量数量的近最优极小极大收敛速率。
- 阅读关注点
- 核对稀疏性与平滑性条件、抽样密度限制、导数检验阈值及停止规则，并区分点态结论和其他误差度量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体假设和速率形式未说明，不能据此认定任意高维数据中均能避免维数灾难。
原文摘要
We present a greedy method for simultaneously performing local bandwidth selection and variable selection in nonparametric regression. The method starts with a local linear estimator with large bandwidths, and incrementally decreases the bandwidth of variables for which the gradient of the estimator with respect to bandwidth is large. The method—called rodeo (regularization of derivative expectation operator)—conducts a sequence of hypothesis tests to threshold derivatives, and is easy to implement. Under certain assumptions on the regression function and sampling density, it is shown that the rodeo applied to local linear smoothing avoids the curse of dimensionality, achieving near optimal minimax rates of convergence in the number of relevant variables, as if these variables were isolated in advance.