Reducing variance in univariate smoothing
一元平滑估计中的方差降低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：摘要研究通用非参数平滑与局部线性回归，没有明确对应所列经济计量细分领域。
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…
一元平滑估计中的方差降低
- 研究问题
- 非参数平滑中，能否组合邻近位置的初步估计，在保持渐近偏差不变的同时降低方差，并便于选择带宽？
- 方法与思路
- 作者对邻近点估计作线性组合，以系数约束保持渐近偏差，再选择邻近点增强降方差效果，重点分析一元局部线性回归。
- 材料陈述的贡献
- 摘要称方法具有有利的渐近相对效率，带宽规则可作常数倍调整；模拟中中等样本的相对效率常与渐近结果相符。
- 阅读关注点
- 应核对组合系数与邻近点的选择规则、边界位置处理，以及偏差保持、相对效率和带宽调整结论各自的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未提供效率数值、完整正则条件或模拟设计，保持渐近偏差不等于有限样本偏差不变。
原文摘要
A variance reduction technique in nonparametric smoothing is proposed: at each point of estimation, form a linear combination of a preliminary estimator evaluated at nearby points with the coefficients specified so that the asymptotic bias remains unchanged. The nearby points are chosen to maximize the variance reduction. We study in detail the case of univariate local linear regression. While the new estimator retains many advantages of the local linear estimator, it has appealing asymptotic relative efficiencies. Bandwidth selection rules are available by a simple constant factor adjustment of those for local linear estimation. A simulation study indicates that the finite sample relative efficiency often matches the asymptotic relative efficiency for moderate sample sizes. This technique is very general and has a wide range of applications.