A minimaxity criterion in nonparametric regression based on large-deviations probabilities
基于大偏差概率的非参数回归极小极大准则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：摘要研究通用非参数回归的最优性理论，未明确对应所列经济计量应用或细分模型。
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
基于大偏差概率的非参数回归极小极大准则
- 研究问题
- 能否用大偏差概率的极小极大性质评价非参数回归估计量，并在不同函数光滑类别及损失方式下刻画最优渐近行为？
- 方法与思路
- 作者提出基于大偏差概率的最优性准则，分别研究 Lipschitz 与 Hölder 函数类，以及点估计和上确界范数损失。
- 材料陈述的贡献
- 摘要称在高斯情形下获得精确的极小极大渐近结果，为非参数回归估计提供一种以大偏差概率衡量的理论准则。
- 阅读关注点
- 应核对大偏差事件与渐近尺度、高斯设定的具体含义、函数类限制，以及上下界是否由可实施估计量达到。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；实验设定、渐近常数及实现方法未说明，不能外推到非高斯情形。
原文摘要
A large-deviations criterion is proposed for optimality of nonparametric regression estimators. The criterion is one of minimaxity of the large-deviations probabilities. We study the case where the underlying class of regression functions is either Lipschitz or Hölder, and when the loss function involves estimation at a point or in supremum norm. Exact minimax asymptotics are found in the Gaussian case.