有谁知道关于非线性回归的统计文献的好评论文章？我主要对一致性结果和渐近性感兴趣。
特别感兴趣的是模型
用于面板数据。
非参数方法的兴趣不大。
也欢迎提供期刊建议。
目前，我正在阅读《计量经济学手册》中的 Amemiya（1983），但我希望能得到更多更新的信息。
Wooldridge，JM（1996）《计量经济学杂志》中的“用不同的工具为不同的方程式估计方程系统” 是一个比上述评论晚的贡献的例子，因此不包括在内。
有谁知道关于非线性回归的统计文献的好评论文章？我主要对一致性结果和渐近性感兴趣。
特别感兴趣的是模型
用于面板数据。
非参数方法的兴趣不大。
也欢迎提供期刊建议。
目前，我正在阅读《计量经济学手册》中的 Amemiya（1983），但我希望能得到更多更新的信息。
Wooldridge，JM（1996）《计量经济学杂志》中的“用不同的工具为不同的方程式估计方程系统” 是一个比上述评论晚的贡献的例子，因此不包括在内。
Answers:
贝茨和瓦茨（Bates＆Watts）撰写的《非线性回归分析及其应用》（2007年）一书立即浮现在人们的脑海。它由回归算法设计的一位大师（D. Bates）合着。注意并非完全新鲜 ; 我链接的版本于2007年发布，但大部分材料来自1989年版。话虽这么说，它绝对是权威的并且已经非常老了。我有时将它用作参考书，而且非常好。特别是在计算方面，这是必不可少的。它与Pinheiro＆Bates 撰写的 “ S和S-PLUS中的混合效应模型 ”（2000年）非常吻合，该模型更接近于该问题的面板数据范例。
次要建议：Ruppert等。“ 半参数回归 ”（Semiparametric Regression， 2003）的计算重点不及B＆W，但我认为它的范围也更广。根据我们定义非线性回归的方式，查看广义加法模型可能非常有见地，在某种程度上，伍德的“ 广义加法模型：R简介 ”（2017年；第二版）可能是最新的。参考那里，这是一个很好的阅读。同样，如果我们更关心局部回归模型，那么请检查Fan＆Gijbels的“ 局部多项式建模及其应用 ”（1996年）也绝对是经典之作。（我很欣赏这些次要建议正在进一步远离面板数据范式，但我需要它们来说明我的观点。
评论：人们可能注意到，最近非参数回归书籍越来越少。这并非完全是偶然的：机器学习发生了。抛开最好的一般书籍，例如：Hastie等人的“ Statistics Learning Learning ”（2009年）。Murphy的“ 机器学习：概率论视角 ”（2013年），研究了Devroye等人。“ 模式识别的概率论 ”（1997年）非常详细地介绍了一致性结果，界限，错误率，收敛性等。因此，关于机器学习与计量经济学的交集，有一些评论文章，例如：Mullainathan＆Spiess 撰写的《机器学习：一种应用的计量经济学方法》（2017年）或《大数据：计量经济学的新技巧》（瓦里安，2014年）。虽然它们提供了不错的概述，但没有对此问题进行严格的数学处理，尽管它们应该提供合理的参考文献清单。
非线性回归是一个成熟而广泛的话题，这就是为什么我怀疑最近有许多评论论文。我唯一能想到的论文是：
Motulsky HJ，Ransnas洛杉矶：“使用非线性回归将曲线拟合到数据：实用且非数学的回顾。” FASEB Journal，1（5），365-374 <-顾名思义，这是一个非数学的综述，因此不是寻找一致性和渐近性的好地方。
AR Gallant：“非线性回归”，《美国统计学家》第 29，第2号（1975年5月），第73-81页<-比您在问题中提到的论文还要旧。
您可能会在一些统计手册中找到很好的概述。例如，在Young的《回归方法手册》或Ryan的《现代回归方法》中，您可以找到有关非线性回归的一章。
关于一致性和渐近性，我可以推荐Huet等人的《非线性回归的统计工具》一书的第2章。
最后但并非最不重要的一点是，英语文学中的两个经典是上述的贝茨和瓦茨，以及塞伯和怀尔德的“非线性回归”。另一个很好的优点是Gallant的“非线性统计模型”