Asymptotically optimal difference-based estimation of variance in nonparametric regression
非参数回归中渐近最优的差分型方差估计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回归的误差方差，不能仅凭方差估计归入金融波动率方向。
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
非参数回归中渐近最优的差分型方差估计
- 研究问题
- 在同方差非参数回归中，如何选择不依赖未知均值函数的差分序列，以提高误差方差估计的渐近效率？
- 方法与思路
- 作者定义并计算渐近最优差分序列，比较不同差分阶数和序列的效率，并讨论正态及较厚尾误差分布下的表现。
- 材料陈述的贡献
- 摘要称，最优序列可改善常用差分估计；正态数据下，常用对称二阶差分相对最优二阶差分的效率为百分之六十四。
- 阅读关注点
- 应核对均值函数的平滑条件、误差的独立性与矩条件、差分阶数的选择，以及厚尾下效率变化所依据的假设。
- 阅读边界
- 仅据 Crossref 所提供的摘要，稿件版本未注明；摘要未说明完整正则条件，效率比较不能推广到异方差或任意相关误差。
原文摘要
Abstract We define and compute asymptotically optimal difference sequences for estimating error variance in homoscedastic nonparametric regression. Our optimal difference sequences do not depend on unknowns, such as the mean function, and provide substantial improvements over the suboptimal sequences commonly used in practice. For example, in the case of normal data the usual variance estimator based on symmetric second-order differences is only 64% efficient relative to the estimator based on optimal second-order differences. The efficiency of an optimal mth-order difference estimator relative to the error sample variance is 2m/(2m + 1). Again this is for normal data, and increases as the tails of the error distribution become heavier.