Robust nonparametric estimation via wavelet median regression
基于小波中位数回归的稳健非参数估计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：摘要研究通用非参数回归函数估计，中位数与分位数耦合是构造工具，未明确研究分位数处理效应或其他所列经济计量方向。
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…
基于小波中位数回归的稳健非参数估计
- 研究问题
- 在误差分布未知且可能厚尾到没有均值或方差时，如何稳健估计非参数回归函数，并同时适应未知的整体与局部光滑程度？
- 方法与思路
- 作者先用局部中位数将未知噪声回归问题转化为标准高斯回归问题，再采用小波块阈值估计；关键工具是中位数与正态变量的分位数耦合界。
- 材料陈述的贡献
- 摘要称，估计量无需预知光滑性或误差分布，即在广泛 Besov 类上达到最优速率，并具有点估计的局部自适应极小极大性质。
- 阅读关注点
- 应核对误差分布类别及中位数条件、局部分组与高斯化近似误差、Besov 类参数范围，以及整体和点态最优性的损失定义。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；误差类别、耦合条件和速率公式未提供，不能将稳健与自适应结论推广到任意噪声分布。
原文摘要
In this paper we develop a nonparametric regression method that is simultaneously adaptive over a wide range of function classes for the regression function and robust over a large collection of error distributions, including those that are heavy-tailed, and may not even possess variances or means. Our approach is to first use local medians to turn the problem of nonparametric regression with unknown noise distribution into a standard Gaussian regression problem and then apply a wavelet block thresholding procedure to construct an estimator of the regression function. It is shown that the estimator simultaneously attains the optimal rate of convergence over a wide range of the Besov classes, without prior knowledge of the smoothness of the underlying functions or prior knowledge of the error distribution. The estimator also automatically adapts to the local smoothness of the underlying function, and attains the local adaptive minimax rate for estimating functions at a point. A key technical result in our development is a quantile coupling theorem which gives a tight bound for the quantile coupling between the sample medians and a normal variable. This median coupling inequality may be of independent interest.