Bates & Watts的书“非线性回归分析及其应用”（2007 年）作为一个直接的建议浮现在脑海中。它由回归算法设计大师之一 (D. Bates) 合着。请注意，这并不新鲜；我链接的版本是 2007 年出版的，但大部分材料来自 1989 年的版本。话虽如此，它绝对是权威的，并且已经老化得很好。我有时将它用作参考书，它非常好。尤其是在计算方面，它是必不可少的。它与 Pinheiro & Bates 的“ S 和 S-PLUS 中的混​​合效果模型”（2000 年）很好地结合，更接近问题的面板数据范式。

次要建议：Ruppert 等人。“半参数回归”（2003 年）的计算重点不如 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，并且在某种程度上 Wood 的“广义加法模型：R 简介”（2017；第 2 版）可能是最新的参考那里，这是一个伟大的阅读。同样，如果我们更关心局部回归模型，查看 Fan & Gijbels “ Local Polynomial Modeling and Its Applications ”（1996）也绝对是经典之作。（我很欣赏这些次要建议离面板数据范式更远，但我需要它们来提出我的下一个观点。

评论：可以注意到最近出版的非参数回归书籍较少；这并不完全是巧合：机器学习发生了。撇开一流的普通书籍，例如： Hastie 等人的“统计学习要素”（2009 年）。和墨菲的“机器学习：概率视角”（2013 年），研究 Devroye 等人。“ A Probabilistic Theory of Pattern Recognition ”（1997）非常详细地涵盖了一致性结果、界限、错误率、收敛性等。因此，有一些关于机器学习和计量经济学交叉点的评论文章，例如：Mullainathan & Spiess 的“机器学习：一种应用计量经济学方法”（2017）或“Big Data: New Tricks for Econometrics ”（2014 年），Varian 着。他们给出了一个不错的概述，但他们没有对这个问题提供严格的数学处理，但他们应该提供一个合理的参考列表。

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很多评论论文。我能想到的唯一论文是：

Motulsky HJ，Ransnas LA：“使用非线性回归拟合数据曲线：实用和非数学评论。” The FASEB Journal, 1(5), 365-374 <- 顾名思义，非数学评论因此不是寻找关于一致性和渐近的东西的好地方。

AR Gallant：“非线性回归”美国统计学家卷。29, No. 2 (May, 1975), pp. 73-81 <- 比你在问题中提到的论文更早。

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，您可以找到关于非线性回归的好章节。

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，英语文学中的两部经典著作是上面提到的 Bates & Watts 和 Seber 和 Wild 的“非线性回归”。另一本很好的书是 Gallant 的“非线性统计模型”