A Stochastic Approximation by Observations on a Discrete Lattice Using Isotonic Regression
基于离散格点观测与保序回归的随机逼近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：摘要涉及保序回归与生物测定中的随机逼近，未明确对应所列计量领域细分。
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
基于离散格点观测与保序回归的随机逼近
- 研究问题
- 当观测只能在离散格点取得时，如何非参数地估计非递减回归函数的根，并建立相应估计量的渐近性质？
- 方法与思路
- 作者提出新的随机逼近程序，在离散格点采集观测，拟合样本保序回归函数，并以其根构造目标估计。
- 材料陈述的贡献
- 摘要称证明了估计量的渐近性质；在生物测定特例中，得到类似升降法的渐近结果，但所需假设更弱。
- 阅读关注点
- 应核对格点观测与更新规则、函数根的定义及唯一性要求，并逐项比较生物测定特例中被放宽的假设。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；渐近分布和较弱假设的具体内容未说明，不能判断有限样本优势。
原文摘要
A new non-parametric stochastic approximation procedure for estimating the roots of a non-decreasing regression function is described. The observations are taken on a discrete lattice and the estimation is based on the roots of the sample isotonic regression function fitted to the observed values. Asymptotic properties of the estimator are proven. When specialized to the bio-assay case it gives asymptotic results similar to those obtained by Derman for his up-and-down method but under weaker assumptions than Derman required.