Non-Linear Regression with Minimal Assumptions
最小假设下的非线性回归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：摘要是通用形状受限回归方法，未明确涉及分位数、因果或经济结构估计。
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
最小假设下的非线性回归
- 研究问题
- 不预先指定回归函数的具体数学形式，仅施加单调性或凹性等形状限制时，如何拟合可能呈曲线关系的回归函数？
- 方法与思路
- 作者把形状受限回归写为线性规划，以绝对偏差总和最小或最大偏差最小为拟合准则，并概述最小二乘的改写。
- 材料陈述的贡献
- 摘要称，该方法无需预设非线性函数形式，只需较弱形状限制，并给出两类偏差准则下可用线性规划实现的拟合。
- 阅读关注点
- 应核对形状限制如何转为规划约束、函数在观测点外如何定义，以及拟合目标与统计推断之间是否另需假设。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明一致性、推断或算法规模，最小二乘版本也仅被概述，不能补推相关性质。
原文摘要
A curvilinear regression model is treated by linear programming methods, so as to require only mild restrictions on the nature of the non-linearities. Specifically a method is proposed that does not require assuming specific mathematical forms for the regression functions. Restrictive assumptions no stronger than monotonicity or concavity of the forms need be imposed. The linear programming formulations provide fits for the regression functions according to the criteria of minimal sum of absolute deviations and minimal maximum deviation. The alteration needed to employ a least squares fit is also sketched.