摘要翻译：
我们考虑具有（已知）随机设计的回归模型。研究了Besov球上的自适应小波块阈值估计在$mathBB{L}^p$风险下的minimax性能。我们证明了它是接近最优的，并且它比传统的逐项估计（硬，软，…)具有更好的收敛速度。
---
英文标题：
《Wavelet block thresholding for samples with random design: a minimax
  approach under the $L^p$ risk》
---
作者：
Christophe Chesneau
---
最新提交年份：
2007
---
分类信息：

一级分类：Mathematics        数学
二级分类：Statistics Theory        统计理论
分类描述：Applied, computational and theoretical statistics: e.g. statistical inference, regression, time series, multivariate analysis, data analysis, Markov chain Monte Carlo, design of experiments, case studies
应用统计、计算统计和理论统计：例如统计推断、回归、时间序列、多元分析、数据分析、马尔可夫链蒙特卡罗、实验设计、案例研究
--
一级分类：Statistics        统计学
二级分类：Statistics Theory        统计理论
分类描述：stat.TH is an alias for math.ST. Asymptotics, Bayesian Inference, Decision Theory, Estimation, Foundations, Inference, Testing.
Stat.Th是Math.St的别名。渐近，贝叶斯推论，决策理论，估计，基础，推论，检验。
--

---
英文摘要：
  We consider the regression model with (known) random design. We investigate the minimax performances of an adaptive wavelet block thresholding estimator under the $\mathbb{L}^p$ risk with $p\ge 2$ over Besov balls. We prove that it is near optimal and that it achieves better rates of convergence than the conventional term-by-term estimators (hard, soft,...).
---
PDF链接：
https://arxiv.org/pdf/708.4104