Wavelet threshold estimation for additive regression models
加性回归模型的小波阈值估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用加性非参数回归，没有所列经济计量领域细分的直接应用或模型依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
加性回归模型的小波阈值估计
- 研究问题
- 当加性回归的不同分量具有不同程度及非均匀平滑性时，能否仍以一维非参数估计的最优速度估计各分量？
- 方法与思路
- 作者提出两步小波阈值估计程序，适应不同分量之间的平滑性差异，并用 Besov 空间描述分量内部的非均匀平滑性。
- 材料陈述的贡献
- 摘要称所构造的分量估计量在各分量具有不同非均匀平滑性时，仍能达到一维非参数估计的最优收敛速度。
- 阅读关注点
- 应核对两步程序的具体构造、设计变量与误差条件、Besov 参数范围，以及最优速度对应的损失函数和维度限制。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；未给出完整假设、速度表达式或实现细节，无法判断适应性结果的具体边界。
原文摘要
Additive regression models have turned out to be useful statistical tools in the analysis of high-dimensional data. The attraction of such models is that the additive component can be estimated with the same optimal convergence rate as a one-dimensional nonparametric regression. However, this optimal property holds only when all the additive components have the same degree of "homogeneous" smoothness. In this paper, we propose a two-step wavelet thresholding estimation process in which the estimator is adaptive to different degrees of smoothness in different components and also adaptive to the "inhomogeneous" smoothness described by the Besov space. The estimator of an additive component constructed by the proposed procedure is shown to attain the one-dimensional optimal convergence rate even when the components have different degrees of "inhomogeneous" smoothness.