Estimating Strictly Increasing Regression Functions
严格递增回归函数的估计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：摘要讨论回归函数的单调形状约束及模拟比较，未明确涉及因果、结构或分布效应等所列细分，故暂不归类。
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
严格递增回归函数的估计
- 研究问题
- 非递减回归的最大似然估计可能出现平坦区间；当研究者相信函数严格递增时，如何改善形状与估计误差？
- 方法与思路
- 作者以模拟比较最小二乘直线、非递减回归的最大似然估计及两者的加权平均，关注严格递增概率和总均方误差。
- 材料陈述的贡献
- 摘要称，在所考察的各个情形中，加权平均估计以接近一的概率严格递增，且总均方误差低于最大似然估计。
- 阅读关注点
- 应核对加权方式、误差分布、真实函数与设计点设置，并查明严格递增的概率陈述及均方误差比较覆盖哪些情形。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；权重和模拟设计未说明，所述表现不能推广为所有递增函数下的保证。
原文摘要
The maximum likelihood estimate of a nondecreasing regression function with independent, normal errors has been studied in detail in the literature. However, it is often constant over one or more intervals and for this reason may be unacceptable if the regression function is believed to be strictly increasing. Using simulation techniques, the least squares line, the maximum likelihood estimate, and a weighted average of these two are compared here. In each case considered, the weighted average is strictly increasing with probability near one and has smaller total mean squared error than the maximum likelihood estimator.