Generalized point process additive models
广义点过程可加模型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：摘要研究一般高维点过程回归，未明确涉及所列经济领域方向，点过程本身不足以归为高频计量。
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…
广义点过程可加模型
- 研究问题
- 如何利用高维点过程预测变量解释标量响应，在预测变量数量随样本增长时实现可计算的估计与变量选择？
- 方法与思路
- 作者将点过程表示为随机计数测度，通过核嵌入构造随机测度核，结合可加结构、降维基表示与稀疏性实施惩罚似然估计。
- 材料陈述的贡献
- 摘要称所提估计程序具有估计一致性和选择一致性，并允许点过程预测变量数量增长；以模拟和电子健康记录应用展示方法。
- 阅读关注点
- 应核对随机测度核的定义、可加结构与稀疏性条件，以及维度增长范围、惩罚选择和健康记录中点过程预测变量的构造。
- 阅读边界
- 材料仅为 Crossref 所供在线先行版本摘要；一致性条件、计算效率及应用效果未给出细节，也不能推断后续刊本变化。
原文摘要
Abstract In this article, we propose a generalized point process additive model with a scalar response and high-dimensional point process predictors. Our proposal is built upon four key components: a realization of a point process as a random counting measure, a generalized point process regression framework, a new kernel function for random measure through kernel embedding, and a suite of low-dimensional structures including the additive model, reduced basis representation, and sparsity. We develop an efficient penalized likelihood procedure for model estimation, and establish both the estimation consistency and selection consistency of the estimator, while allowing the number of point process predictors to diverge. We illustrate and evaluate our method through simulations and an electronic health record data application.