Fully Nonparametric Regression for Bounded Data Using Dependent Bernstein Polynomials
使用依赖 Bernstein 多项式的有界数据全非参数回归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：摘要直接建模随预测变量变化的完整概率分布，支持条件分布回归方向的分类。
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…
使用依赖 Bernstein 多项式的有界数据全非参数回归
- 研究问题
- 对取值域有界的响应变量，如何灵活建模随预测变量变化的整个条件分布，并建立模型连续性、支持范围和后验一致性？
- 方法与思路
- 作者通过依赖折棍过程扩展单一密度估计的 Dirichlet–Bernstein 先验，构造预测变量相关的分布模型，并讨论一般形式与两个简化版本。
- 材料陈述的贡献
- 摘要称各模型具有连续性、关联结构、边际分布、大支持和后验一致性等性质，并利用模拟与实际数据展示和比较模型行为。
- 阅读关注点
- 应核对有界响应域与预测变量域的设定、依赖结构和简化版本的限制，以及大支持与后验一致性所依赖的先验和正则条件。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要，无法核对刊本变化；摘要未给出理论性质的具体条件，也未说明模拟比较的数值结果。
原文摘要
We propose a novel class of probability models for sets of predictor-dependent probability distributions with bounded domain. The proposal extends the Dirichlet–Bernstein prior for single density estimation, by using dependent stick-breaking processes. A general model class and two simplified versions are discussed in detail. Appealing theoretical properties such as continuity, association structure, marginal distribution, large support, and consistency of the posterior distribution are established for all models. The behavior of the models is illustrated using simulated and real-life data. The simulated data are also used to compare the proposed methodology to existing methods. Supplementary materials for this article are available online.