Nonparametric Regression Estimation in the Heteroscedastic Errors-in-Variables Problem
异方差测量误差下的非参数回归估计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：摘要聚焦测量误差下的一般非参数回归，未明确关联给定细分中的因果识别、结构经济模型或专门数据类型。
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
异方差测量误差下的非参数回归估计
- 研究问题
- 当解释变量带有测量误差且误差分布并不相同时，如何估计回归曲线，并处理误差分布未知但存在重复观测的情况？
- 方法与思路
- 作者构造适用于异方差测量误差的非参数回归估计量，并针对未知误差分布与重复观测提出估计及自适应带宽办法。
- 材料陈述的贡献
- 摘要称所提回归函数估计量具有最优性，给出未知误差分布下的方法，并通过模拟和真实数据展示有限样本表现。
- 阅读关注点
- 应核对最优性的损失准则和函数类别、测量误差结构与可识别条件，以及重复观测要求和自适应带宽的实现。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明最优性的具体定义和条件，也未给出重复观测下的完整识别要求。
原文摘要
In the classical errors-in-variables problem, the goal is to estimate a regression curve from data in which the explanatory variable is measured with error. In this context, nonparametric methods have been proposed that rely on the assumption that the measurement errors are identically distributed. Although there are many situations in which this assumption is too restrictive, nonparametric estimators in the more realistic setting of heteroscedastic errors have not been studied in the literature. We propose an estimator of the regression function in such a setting and show that it is optimal. We give estimators in cases in which the error distributions are unknown and replicated observations are available. Practical methods, including an adaptive bandwidth selector for the errors-in-variables regression problem, are suggested, and their finite-sample performance is illustrated through simulated and real data examples.