Debiased Nonparametric Regression for Statistical Inference and Distributionally Robustness
用于统计推断与分布稳健性的去偏非参数回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论一般非参数回归的去偏与推断，未明确涉及所列因果、面板或经济预测任务。
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
用于统计推断与分布稳健性的去偏非参数回归
- 研究问题
- 如何为灵活的非参数回归估计量补充逐点和一致风险收敛及渐近正态性保证，并改善协变量分布变化下的估计稳健性？
- 方法与思路
- 作者估计初始回归残差的条件期望，将其作为校正项加入原估计量；该方法不指定参数模型，并依赖一定的平滑性条件。
- 材料陈述的贡献
- 摘要称，去偏估计量在温和平滑条件下具有逐点和一致风险收敛及渐近正态性，从而支持统计推断并增强协变量偏移下的稳健性。
- 阅读关注点
- 应核对初始估计量和校正项的平滑要求、样本使用方式及误差传播，并查看渐近正态结论与协变量偏移稳健性之间的具体联系。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出完整平滑条件、风险速率及分布偏移范围，不能推及所有算法。
原文摘要
This study proposes a debiasing method for smooth nonparametric estimators. While machine learning techniques such as random forests and neural networks have demonstrated strong predictive performance, their theoretical properties remain relatively underexplored. In particular, many modern algorithms lack guarantees of pointwise and uniform risk convergence, as well as asymptotic normality. These properties are essential for statistical inference and robust estimation and have been well-established for classical methods such as Nadaraya-Watson regression. To ensure these properties for various nonparametric regression estimators, we introduce a model-free debiasing method. By incorporating a correction term that estimates the conditional expected residual of the original estimator, or equivalently, its estimation error, into the initial nonparametric regression estimator, we obtain a debiased estimator that satisfies pointwise and uniform risk convergence, along with asymptotic normality, under mild smoothness conditions. These properties facilitate statistical inference and enhance robustness to covariate shift, making the method broadly applicable to a wide range of nonparametric regression problems.