Regression Smoothing Parameters That Are Not Far From Their Optimum
接近最优值的回归平滑参数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：摘要讨论通用非参数回归带宽选择，未明确关联所列经济或金融细分方向。
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
接近最优值的回归平滑参数
- 研究问题
- 数据驱动的平滑参数常缓慢接近最优值；若目标改为期望平均平方误差最优带宽，能否提高逼近速度？
- 方法与思路
- 作者采用双重平滑技术，针对非随机的期望平均平方误差最优带宽，研究相对带宽误差的渐近分布。
- 材料陈述的贡献
- 摘要称在一定条件下可以获得更快的渐近正态逼近；其目标带宽与此前平均平方误差最优带宽有所不同。
- 阅读关注点
- 应核对两种误差准则及最优带宽的区别、双重平滑步骤和所需条件，并查原文确认收敛率的指数排版。
- 阅读边界
- 依据版本未注明的索引摘要；幂次排版不清，需查原PDF。具体条件未说明，不能把速度差异归结为同一目标下的改进。
原文摘要
It is well known that data-driven regression smoothing parameters h based on cross-validation and related methods exhibit a slow rate of convergence to their optimum. In an earlier article we showed that this rate can be as slow as n-1/10; that is, for a bandwidth h0 optimizing the averaged squared error, n1/10 (h - h0)/h0 tends to an asymptotic normal distribution. In this article we consider mean averaged squared error optimal bandwidths h0. This (nonrandom) smoothing parameter can be approximated much faster. We use the technique of double smoothing to show that there is an h such that, under certain conditions, n1/2(h - h0)/h0 tends to an asymptotic normal distribution.