我们考虑了在$theta$属于$mathbb{R}^{n}$中的某些凸多面体锥的约束下，从噪声观测中估计未知$theta的问题。在这种设置下，我们证明了最小二乘估计量（LSE）的风险边界。获得的风险边界的行为不同，这取决于真正的序列$\theta$，它突出了$\theta$的自适应行为。作为一般结果的特例，我们导出了一元等渗和凸回归中LSE的风险界。我们更详细地研究了保序回归中的风险界：我们证明了保序LSE收敛于从$\log n/n$（当$\theta$为常数时）到$n^{-2/3}$（当$\theta$s为常数时均匀增加在某种意义上）。我们通过证明非单调局部极小极大下界，证明了该界为保序回归中任何估计量的风险提供了一个基准。我们证明了模型错误指定界限的类似情况，其中真正的$θ$不一定是不变的。