摘要
我们考虑一个线性模型,其中系数(截距和斜率)是随机的,并且独立于回归变量。系数定律是非参数的。在没有进一步限制的情况下,非参数辨识要求回归变量具有支持度,即整个空间。在实践中几乎从未出现过这种情况。当系数可以有紧凑的支持时,可以处理变化有限的回归变量。这与回归模型中常见的无界误差项不兼容。在本文中,回归变量可以有一个适当子集的支持,但斜率没有重尾。对于宽范围的光滑性,得到了估计随机系数密度联合密度的极大极小风险的下界。有些允许多项式和近似参数的收敛速度。我们提出了一个极小极大最优估计量和一个数据驱动的自适应估计规则。A类软件包可用于实现此估计器。
致谢
作者感谢拨款ERC POEMH 337665和ANR-17-EURE-0010提供的财政支持。Christophe Gaillac感谢CREST/ENSAE在那里进行了部分研究。作者感谢伯克利、布朗、CREST、杜克、哈佛-麻省理工学院、莱斯、TSE、ULB、东京大学、2016年SFDS、ISNPS、计量经济学最新进展以及2017年IAAE会议的研讨会参与者提出意见。
引用
下载引文
克里斯托夫·盖拉克。
埃里克·戈蒂埃。
“当回归变量变化有限时,线性随机系数模型中的自适应估计。”
伯努利
28
(1)
504 - 524,
2022年2月。
https://doi.org/10.3150/21-BEJ1354
问询处
收到日期:2020年7月1日;修订日期:2021年4月1日;发布日期:2022年2月
欧几里德项目首次推出:2021年11月10日
数字对象标识符:10.3150/21-BEJ1354
关键词:适应,反问题,极小极大值,随机系数
权利:版权所有©2022 ISI/BS