On the Almost Everywhere Convergence of Nonparametric Regression Function Estimates
非参数回归函数估计的几乎处处收敛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：摘要属于通用非参数回归与分类一致性理论，未明确涉及所列计量应用方向。
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
非参数回归函数估计的几乎处处收敛
- 研究问题
- 在独立同分布样本和给定响应矩条件下，核估计与近邻估计何时具有几乎处处的回归误差收敛性质？
- 方法与思路
- 作者为较广泛的核估计和近邻估计给出充分条件，并在响应有界时分析条件积分误差及相应分类规则。
- 材料陈述的贡献
- 摘要称无需额外限制数据分布即可建立相应收敛结果，并证明所构造非参数分类规则的弱与强贝叶斯风险一致性。
- 阅读关注点
- 应区分逐点误差矩收敛与随机评估点的条件误差收敛，并核对核、近邻规模和响应有界性各自承担的作用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体充分条件与收敛速率未给出，不能把分布宽泛性理解为估计规则不受限制。
原文摘要
Let $(X, Y), (X_1, Y_1), \cdots, (X_n, Y_n)$ be independent identically distributed random vectors from $R^d \times R$, and let $E(|Y|^p) < \infty$ for some $p \geq 1$. We wish to estimate the regression function $m(x) = E(Y \mid X = x)$ by $m_n(x)$, a function of $x$ and $(X_1, Y_1), \cdots, (X_n, Y_n)$. For large classes of kernel estimates and nearest neighbor estimates, sufficient conditions are given for $E\{|m_n(x) - m(x)|^p\} \rightarrow 0$ as $n \rightarrow \infty$, almost all $x$. No additional conditions are imposed on the distribution of $(X, Y)$. As a by-product, just assuming the boundedness of $Y$, the almost sure convergence to 0 of $E\{|m_n(X) - m(X)\| X_1, Y_1, \cdots, X_n, Y_n\}$ is established for the same estimates. Finally, the weak and strong Bayes risk consistency of the corresponding nonparametric discrimination rules is proved for all possible distributions of the data.