Minimax regret analysis of orthogonal series regression estimation: selection versus shrinkage
正交级数回归估计的极小极大遗憾分析：选择与收缩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：摘要研究通用正交级数回归的决策理论比较，未明确对应所列经济计量细分方向。
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
正交级数回归估计的极小极大遗憾分析：选择与收缩
- 研究问题
- 当回归曲线形式没有先验信息时，基于选择与收缩的正交级数估计在有限样本极小极大遗憾标准下如何比较？
- 方法与思路
- 作者在观测正态且具有共同已知方差的简化设定下，以决策理论比较对应硬阈值和软阈值的两类非线性估计量。
- 材料陈述的贡献
- 摘要称，最优数据依赖收缩估计在该遗憾准则下优于选择型估计；两者阈值有明显差异，也不同于常用小波阈值。
- 阅读关注点
- 应核对遗憾的参照对象、有限样本风险定义、最优阈值的求法，以及选择型估计与 Mallows Cp 方法相似的具体含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；优势限定于所述正态、共同已知方差设定及遗憾准则，不能外推为普遍风险优势。
原文摘要
We consider the problem of orthogonal series regression estimation when no prior information is available about the form of the regression curve. In a decision-theoretic framework we study the finite sample properties of two classes of nonlinear estimators, based either on a selection or on a shrinkage approach. The methods used correspond to the hard and soft thresholding techniques in the context of wavelet estimation. The whole analysis is carried out under the simplifying assumption of normally distributed observations with a common known variance. Use of the minimax regret principle shows the superiority of the optimal data-dependent shrunk estimator over its selection-type analogue. The latter behaves similarly to the minimiser of Mallows' Cp-criterion, and requires much larger thresholds than the former. Moreover, the minimax regret thresholds differ substantially from those usually recommended for wavelets. In a simulated data example we illustrate the behaviour of the proposed methods.