A unified framework for spline estimators
样条估计量的统一框架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：摘要研究通用样条平滑与渐近理论，未提供分位数、因果或其他所列领域细分的直接文本依据。
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…
样条估计量的统一框架
- 研究问题
- 作者研究如何统一分析周期回归样条、惩罚样条与平滑样条的渐近性质，并解释结点数和光滑参数如何共同决定带宽。
- 方法与思路
- 作者借助以指数样条表示的周期 Demmler–Reinsch 基，统一推导实线上的渐近等价核及相应带宽，并讨论参数选择策略。
- 材料陈述的贡献
- 摘要给出覆盖三类周期样条估计量的统一渐近框架，说明带宽由结点数与光滑参数共同决定，并讨论最优带宽及其他参数选择。
- 阅读关注点
- 应核对周期性条件、等价核的推导范围、结点数与光滑参数的渐近关系，以及带宽最优性的损失标准和选择策略。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；非周期边界处理及具体渐近条件未说明，不能推断刊本变化。
原文摘要
This article develops a unified framework to study the asymptotic properties of all periodic spline-based estimators, that is, of regression, penalized and smoothing splines. The explicit form of the periodic Demmler–Reinsch basis in terms of exponential splines allows the derivation of an expression for the asymptotic equivalent kernel on the real line for all spline estimators simultaneously. The corresponding bandwidth, which drives the asymptotic behaviour of spline estimators, is shown to be a function of the number of knots and the smoothing parameter. Strategies for the selection of the optimal bandwidth and other model parameters are discussed.