Nonparametric kernel regression subject to monotonicity constraints
施加单调性约束的非参数核回归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：摘要讨论通用形状约束核回归，没有结构经济模型或其他所列领域的直接依据。
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
施加单调性约束的非参数核回归
- 研究问题
- 如何在完成常规核平滑和带宽选择后，将估计曲线调整为单调，同时保留原估计的平滑程度并尽量减少调整？
- 方法与思路
- 作者通过倾斜经验分布调整无约束估计，在距离度量下尽量保持原估计并满足单调约束，适用于多类核型估计量。
- 材料陈述的贡献
- 摘要称，方法保留无约束估计的平滑程度，可用于局部线性等多类估计，也易于改为严格单调并使用现成程序实现。
- 阅读关注点
- 应核对倾斜权重与距离度量、约束的实施范围，以及单调性和平滑性保证，并考察调整对估计误差的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；距离选择、计算细节及统计推断性质未说明，平滑性保持不等于风险必然降低。
原文摘要
We suggest a method for monotonizing general kernel-type estimators, for example local linear estimators and Nadaraya .Watson estimators. Attributes of our approach include the fact that it produces smooth estimates, indeed with the same smoothness as the unconstrained estimate. The method is applicable to a particularly wide range of estimator types, it can be trivially modified to render an estimator strictly monotone and it can be employed after the smoothing step has been implemented. Therefore,an experimenter may use his or her favorite kernel estimator, and their favorite bandwidth selector, to construct the basic nonparametric smoother and then use our technique to render it monotone in a smooth way. Implementation involves only an off-the-shelf programming routine. The method is based on maximizing fidelity to the conventional empirical approach, subject to monotonicity.We adjust the unconstrained estimator by tilting the empirical distribution so as to make the least possible change, in the sense of a distance measure, subject to imposing the constraint of monotonicity.