[論文レビュー] Partial heteroscedastic deconvolution estimation in nonparametric regression

Baba Thiam|arXiv (Cornell University)|Jan 28, 2026

Statistical Methods and Inference被引用数 0

ひとこと要約

論文は、共変量の一部が異方性誤差で測定される非参数回帰に対して部分的デコンボリューション核推定量を提案し、その一貫性と最適収束率を確立し、シミュレーションによる有限サンプル性能を示す。

ABSTRACT

In this paper, we consider a partial deconvolution kernel estimator for nonparametric regression when some covariates are measured with error while others are observed without error. We focus on a general and realistic setting in which the measurement errors are heteroscedastic. We propose a kernel-based estimator of the regression function in this framework and show that it achieves the optimal convergence rate under suitable regularity conditions. The finite-sample performance of the proposed estimator is illustrated through simulation studies.

研究の動機と目的

• 異方性誤差で測定される説明変数がある場合の回帰分析を動機付ける。
• 異方性測定誤差の下でも有効な部分的デコンボリューション核推定量を開発する。
• 提案推定量の点ごとの一貫性と最適収束率を確立する。
• さまざまな誤差分布の下でのシミュレーション研究を通じて有限サンプル性能を示す。

提案手法

• 核 K を用いた部分的デコンボリューション回帰推定量は式 (1.4) に従い、異方性誤差を考慮するデコンボリューション核 L_{U_j} を用いる。
• 式 (1.5) によって結合密度推定量 _n(x,t) を構築し、L_{U_j} は (1.6) および (1.7) によって定義される。
• 観測 j によって誤差密度が変化することを許すことで、デコンボリューション核を異方性設定に一般化する。
• 正規性条件 (A1)-(A5) を課し、推定量のバイアスと分散の境界を導出する（補題 1）。
• 推定量が一貫し、ほぼ確実収束する条件を確立する（定理 1）。
• 収束速度がミニマックス最適であることを示す（定理 2）。

実験結果

リサーチクエスチョン

• RQ1 共分散の一部が異方性測定誤差を伴う設定に対して、核ベースのデコンボリューション推定量を適用できるか。
• RQ2 異方性誤差下での点ごとの一貫性とほぼ sure 収束を保証する正則性条件は何か。
• RQ3 どのような収束速度が達成可能で、最小最大（ミニマックス）最適性を満たすか。
• RQ4 スーパー滑らかと通常滑らかな誤差分布の下で有限サンプルの性能はどうか。
• RQ5 シミュレーションでの誤差分布（ラプラス、正規）に対するロバスト性はどうか。

主な発見

• 提案された部分デコンボリューション推定量 (1.4) は、異方性誤差に適応したデコンボリューション条件の下で一貫性を達成する。
• 中心となる正則性条件は、少なくとも1つの誤差のフーリエ変換が消えないことで、異方性の場合の識別性を保証する（A1）。
• 定理 2 に示されるように、推定量はミニマックスの観点で最適な収束率を達成する。
• 有限サンプルのシミュレーションでは、測定誤差を無視するナイーブ推定量よりも優れていることが示され、ラプラスおよび正規誤差設定で良好な性能を示す。
• 帯域幅選択は難しい課題として認識され、今後の課題とされる一方、誤差分布のタイプにはロバストであることが示される。
• 理論結果は点wise 一貫性（定理 1）とミニマックス最適性（定理 2）の両方をカバーする。