Additive Nonparametric Regression With Autocorrelated Errors
自相关误差下的加性非参数回归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：摘要明确用平稳自回归过程处理回归误差的序列相关。
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…
自相关误差下的加性非参数回归
- 研究问题
- 在误差具有自相关时，如何同时估计加性回归的非线性分量、误差相关结构，并选择因变量的合适变换？
- 方法与思路
- 作者以多结点回归样条表示加性分量，以高阶平稳自回归过程表示误差，结合子集选择并用 MCMC 联合估计。
- 材料陈述的贡献
- 摘要称该贝叶斯方案统一处理样条结点、偏自相关与因变量变换的选择，并在若干模拟和真实例子中表现良好。
- 阅读关注点
- 应核对平稳性约束、结点与自相关参数的选择机制、先验设定，以及 MCMC 收敛诊断和实证评价标准。
- 阅读边界
- 仅据 Crossref 摘要；未给出先验、计算成本、模拟设定或比较数值，“表现良好”不能推出普遍优于其他方法。
原文摘要
Summary A Bayesian approach is presented for nonparametric estimation of an additive regression model with autocorrelated errors. Each of the potentially non-linear components is modelled as a regression spline using many knots, while the errors are modelled by a high order stationary autoregressive process parameterized in terms of its autocorrelations. The distribution of significant knots and partial autocorrelations is accounted for using subset selection. Our approach also allows the selection of a suitable transformation of the dependent variable. All aspects of the model are estimated simultaneously by using the Markov chain Monte Carlo method. It is shown empirically that the approach proposed works well on several simulated and real examples.