An Effective Bandwidth Selector for Local Least Squares Regression
局部最小二乘回归的带宽选择方法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：摘要讨论通用非参数回归、带宽与方差估计，没有直接对应所列经济计量细分领域的证据。
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
局部最小二乘回归的带宽选择方法
- 研究问题
- 局部最小二乘核回归如何自动选择平滑带宽，使非参数回归能够实际实施，并支持局部多项式及其他估计任务的扩展？
- 方法与思路
- 作者将插件式带宽选择用于局部线性核估计，讨论奇数阶局部多项式的适用性，并构建非参数方差估计及其插件规则。
- 材料陈述的贡献
- 摘要称，单一预测变量下的局部线性实现实践表现良好，另提出一类方差估计方法，并讨论导数估计和多元回归扩展。
- 阅读关注点
- 核对带宽目标准则、未知量的初步估计、方差估计构造，以及奇数阶多项式、导数估计和多元情形的适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断后续刊本变化。摘要未提供性能比较数值或完整正则条件，不能据此断言普遍优越。
原文摘要
Local least squares kernel regression provides an appealing solution to the nonparametric regression, or “scatterplot smoothing,” problem, as demonstrated by Fan, for example. The practical implementation of any scatterplot smoother is greatly enhanced by the availability of a reliable rule for automatic selection of the smoothing parameter. In this article we apply the ideas of plug-in bandwidth selection to develop strategies for choosing the smoothing parameter of local linear squares kernel estimators. Our results are applicable to odd-degree local polynomial fits and can be extended to other settings, such as derivative estimation and multiple nonparametric regression. An implementation in the important case of local linear fits with univariate predictors is shown to perform well in practice. A by-product of our work is the development of a class of nonparametric variance estimators, based on local least squares ideas, and plug-in rules for their implementation.