On risk bounds in isotonic and other shape restricted regression problems
保序及其他形状约束回归中的风险界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：摘要属于一般形状约束回归的风险理论，未明确涉及经济结构估计、分布效应或其他所列领域细分。
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…
保序及其他形状约束回归中的风险界
- 研究问题
- 真值受凸多面锥等形状限制时，最小二乘估计的风险如何随真值结构变化，并能否在模型错设下获得相应界？
- 方法与思路
- 作者推导锥约束最小二乘的风险上界，专门分析保序和凸回归，并通过非渐近局部极小极大下界讨论风险基准。
- 材料陈述的贡献
- 摘要称风险界体现对真值结构的适应性，保序估计在常数与特定递增序列下具有不同收敛速率，并给出错设情形的类似界。
- 阅读关注点
- 应核对噪声假设、风险度量与真值复杂度的关系，确认递增条件、局部下界的邻域定义，以及错设风险所比较的目标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未列出完整噪声与形状条件，不能将适应性和速率结论推广到任意约束回归。
原文摘要
We consider the problem of estimating an unknown $\theta\in\mathbb{R}^{n}$ from noisy observations under the constraint that $\theta$ belongs to certain convex polyhedral cones in $\mathbb{R}^{n}$. Under this setting, we prove bounds for the risk of the least squares estimator (LSE). The obtained risk bound behaves differently depending on the true sequence $\theta$ which highlights the adaptive behavior of $\theta$. As special cases of our general result, we derive risk bounds for the LSE in univariate isotonic and convex regression. We study the risk bound in isotonic regression in greater detail: we show that the isotonic LSE converges at a whole range of rates from $\log n/n$ (when $\theta$ is constant) to $n^{-2/3}$ (when $\theta$ is uniformly increasing in a certain sense). We argue that the bound presents a benchmark for the risk of any estimator in isotonic regression by proving nonasymptotic local minimax lower bounds. We prove an analogue of our bound for model misspecification where the true $\theta$ is not necessarily nondecreasing.