A Comparison of the Reinsch and Speckman Splines
Reinsch 样条与 Speckman 样条的比较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：摘要讨论通用非参数回归中的曲线与误差方差估计，没有给出所列经济计量细分方向的直接依据。
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…
Reinsch 样条与 Speckman 样条的比较
- 研究问题
- 在非参数回归中，用样条分别估计回归曲线与误差方差时，粗糙度惩罚方法和极小极大方法的风险表现如何？
- 方法与思路
- 作者比较 Reinsch 粗糙度惩罚样条与 Speckman 极小极大样条，以曲线估计的总均方误差及相关方差准则评价。
- 材料陈述的贡献
- 摘要称渐近分析和小样本研究均显示，Reinsch 平滑样条作为曲线估计量与误差方差估计量都接近最优。
- 阅读关注点
- 应核对比较所用的函数类别、设计与误差条件、平滑参数选择，以及两类估计问题中“接近最优”的具体定义。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未给出风险差距、样本设置或最优性基准，不能据此认定普遍优越。
原文摘要
In the context of nonparametric regression, spline smoothers can be used both for the estimation of the curve itself and for the estimation of the error variance. We compare two approaches that have been suggested: the Reinsch spline, i.e. roughness penalty, and the Speckman spline, minimax. The comparison is made on the basis of the summed mean squared error for curve estimation and on the basis of a closely related criterion for variance estimation. We show in both asymptotic and small-sample studies that the Reinsch smoothing spline is close to optimal, both as a curve and as a variance estimator.