Bayesian mixture of splines for spatially adaptive nonparametric regression
用于局部自适应非参数回归的贝叶斯样条混合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：摘要的核心是通用非参数回归和样条平滑，气温应用不足以确定宏观或金融细分。
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
用于局部自适应非参数回归的贝叶斯样条混合
- 研究问题
- 当回归函数在协变量空间不同区域需要不同平滑程度时，如何通过局部区域重叠与样条混合，实现自适应的函数估计？
- 方法与思路
- 作者为混合中的样条设置局部平滑参数及随协变量变化的权重，用修改的 BIC 选择组件数，并通过 MCMC 完成计算。
- 材料陈述的贡献
- 摘要称提出了局部自适应的贝叶斯样条混合方法，进行了理论分析，并在模拟中与三种方法比较，另以全球气温异常作示例。
- 阅读关注点
- 应核对局部区域与权重的构造、平滑参数先验、组件数选择准则和 MCMC 诊断，并检查模拟比较指标与调参是否可比。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；比较优势限于摘要所述模拟，未给数值或条件，空间自适应也不必指地理空间建模。
原文摘要
A Bayesian approach is presented for spatially adaptive nonparametric regression where the regression function is modelled as a mixture of splines. Each component spline in the mixture has associated with it a smoothing parameter which is defined over a local region of the covariate space. These local regions overlap such that individual data points may lie simultaneously in multiple regions. Consequently each component spline has attached to it a weight at each point of the covariate space and, by allowing the weight of each component spline to vary across the covariate space, a spatially adaptive estimate of the regression function is obtained. The number of mixing components is chosen using a modification of the Bayesian information criteria. We study the procedure analytically and show by simulation that it compares favourably to three competing techniques. These techniques are the Bayesian regression splines estimator of Smith & Kohn (1996), the hybrid adaptive spline estimator of Luo & Wahba (1997) and the automatic Bayesian curve fitting estimator of Denison et al. (1998). The methodology is illustrated by modelling global air temperature anomalies. All the computations are carried out efficiently using Markov chain Monte Carlo.