Theory for penalised spline regression
惩罚样条回归的理论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：摘要是通用非参数平滑理论，未明确研究分位数、经济预测或其他所列细分领域。
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…
关注这篇论文的作者
惩罚样条回归的理论
- 研究问题
- 惩罚样条回归的均方误差与一致性如何刻画，惩罚如何影响偏差和方差，以及估计量能否达到最优非参数收敛率？
- 方法与思路
- 作者利用估计量的白噪声模型表示推导均方误差和一致性结果，并分别讨论一般样条与多项式样条的惩罚作用。
- 材料陈述的贡献
- 摘要称，论文给出惩罚样条回归的误差与一致性理论，并证明估计量达到所引用文献确立的最优非参数收敛率。
- 阅读关注点
- 应核对白噪声表示的适用范围、平滑性条件、节点和惩罚参数的设定，以及最优收敛率对应的误差标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，最优性的函数类别与调参条件未说明，不能据此推断任意设定下都达到最优率。
原文摘要
Penalised spline regression is a popular new approach to smoothing, but its theoretical properties are not yet well understood. In this paper, mean squared error expressions and consistency results are derived by using a white-noise model representation for the estimator. The effect of the penalty on the bias and variance of the estimator is discussed, both for general splines and for the case of polynomial splines. The penalised spline regression estimator is shown to achieve the optimal nonparametric convergence rateestablished by Stone (1982).