Smoothing Parameter Selection in Nonparametric Regression Using an Improved Akaike Information Criterion
利用改进的 Akaike 信息准则选择非参数回归的平滑参数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：研究非参数回归线性平滑器的AICC选参，是估计与统计基础；不因刊名新增领域。
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…
利用改进的 Akaike 信息准则选择非参数回归的平滑参数
- 研究问题
- 摘要讨论非参数回归中平滑程度如何选择：局部多项式、核估计和平滑样条都需要平滑参数，取值会影响拟合的起伏与误差。核心问题是能否用适用范围较广的准则，减少选参波动和欠平滑倾向。
- 方法与思路
- 作者推导并考察改进的 Akaike 信息准则 AICC，用它选择控制平滑程度的参数。摘要说明该准则适用于任意线性平滑器，包括局部二次回归和平滑样条，并通过 Monte Carlo 模拟与传统准则及 plug-in 方法比较。
- 材料陈述的贡献
- 摘要报告，AICC 可缓解 GCV 和 AIC 选参时的较大波动，以及相对于平均平方误差最优选参的欠平滑倾向。在 plug-in 方法表现良好时，AICC 具有竞争力；在该方法失效或不可用时，它也表现良好。
- 阅读关注点
- 重点核对 AICC 的修正项如何构造，样本量与平滑器复杂度如何进入准则，以及推导需要哪些误差条件。模拟部分应检查选参波动、平均平方误差和 plug-in 失效情形的定义与设置，再判断比较结果的适用范围。 阅读前先备知识：建议先掌握非参数回归的偏差与方差权衡，理解带宽和平滑惩罚如何改变拟合复杂度。再学习线性平滑器、有效自由度、AIC 和交叉验证的基本含义，以便理解不同选参准则为何可能给出不同的平滑程度。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。摘要没有给出 AICC 的具体公式、推导假设或模拟参数，因此不能确认其在异方差、相关误差等情形中的表现。摘要中的比较支持所考察场景下的优势，不能扩展为所有数据环境中的统一排序。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
Summary Many different methods have been proposed to construct nonparametric estimates of a smooth regression function, including local polynomial, (convolution) kernel and smoothing spline estimators. Each of these estimators uses a smoothing parameter to control the amount of smoothing performed on a given data set. In this paper an improved version of a criterion based on the Akaike information criterion (AIC), termed AICC, is derived and examined as a way to choose the smoothing parameter. Unlike plug-in methods, AICC can be used to choose smoothing parameters for any linear smoother, including local quadratic and smoothing spline estimators. The use of AICC avoids the large variability and tendency to undersmooth (compared with the actual minimizer of average squared error) seen when other ‘classical’ approaches (such as generalized cross-validation (GCV) or the AIC) are used to choose the smoothing parameter. Monte Carlo simulations demonstrate that the AICC-based smoothing parameter is competitive with a plug-in method (assuming that one exists) when the plug-in method works well but also performs well when the plug-in approach fails or is unavailable.