Large sample properties of partitioning-based series estimators
基于分区的级数估计量的大样本性质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：摘要研究一般条件均值回归的非参数估计与推断，未明确涉及因果、面板或其他所列细分。
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…
基于分区的级数估计量的大样本性质
- 研究问题
- 对使用样条、小波或分段多项式的非参数最小二乘回归，如何刻画主要偏差、选择调节参数，并开展逐点和统一推断？
- 方法与思路
- 作者推导渐近偏差与积分均方误差近似，结合欠平滑和稳健偏差校正构造逐点推断，并通过耦合建立统计量过程的统一近似。
- 材料陈述的贡献
- 摘要称提出可行调参方法和有效置信带，在一维情形改善已有统一近似速度，并将一般结果用于三类估计量，提供配套 R 包。
- 阅读关注点
- 应核对分区规则、平滑性和维数限制、调参与推断的兼容性，以及一维速度改进所依赖的条件和三类基函数的具体要求。
- 阅读边界
- 仅据所给 OpenAlex 摘要；完整速率条件、置信带构造与软件实现未展示，也不能将一维结论自动推广到高维情形。
原文摘要
We present large sample results for partitioning-based least squares nonparametric regression, a popular method for approximating conditional expectation functions in statistics, econometrics and machine learning. First, we obtain a general characterization of their leading asymptotic bias. Second, we establish integrated mean squared error approximations for the point estimator and propose feasible tuning parameter selection. Third, we develop pointwise inference methods based on undersmoothing and robust bias correction. Fourth, employing different coupling approaches, we develop uniform distributional approximations for the undersmoothed and robust bias-corrected $t$-statistic processes and construct valid confidence bands. In the univariate case, our uniform distributional approximations require seemingly minimal rate restrictions and improve on approximation rates known in the literature. Finally, we apply our general results to three partitioning-based estimators: splines, wavelets and piecewise polynomials. The Supplemental Appendix includes several other general and example-specific technical and methodological results. A companion $\mathsf{R}$ package is provided.