Smooth Backfitting in Practice
平滑回拟合的实践应用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：摘要研究一般加性回归的平滑算法与带宽选择，未明确对应所列专门计量领域。
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
平滑回拟合的实践应用
- 研究问题
- 如何清晰实现平滑回拟合并用数据选择带宽，它在高维加性回归、稀疏数据和高度相关设计中表现如何？
- 方法与思路
- 作者整理平滑回拟合的思想、主要理论及算法简化，提出可行交叉验证程序用于带宽选择，并通过模拟考察实际表现。
- 材料陈述的贡献
- 摘要称，交叉验证与平滑回拟合在模拟中表现良好，对稀疏数据和强相关设计较不敏感，并报告百维加性回归中的合理表现。
- 阅读关注点
- 核对带宽交叉验证准则、算法实现和计算成本，以及高维模拟的样本量、设计相关性、稀疏程度与比较指标。
- 阅读边界
- 仅据所给 Crossref 摘要；更高效率与稳健性的条件、模拟误差和计算结果未说明，百维示例不能保证任意高维问题的表现。
原文摘要
Summary Compared with the classical backfitting of Buja, Hastie and Tibshirani, the smooth backfitting estimator (SBE) of Mammen, Linton and Nielsen not only provides complete asymptotic theory under weaker conditions but is also more efficient, robust and easier to calculate. However, the original paper describing the SBE method is complex and the practical as well as the theoretical advantages of the method have still neither been recognized nor accepted by the statistical community. We focus on a clear presentation of the idea, the main theoretical results and practical aspects like implementation and simplification of the algorithm. We introduce a feasible cross-validation procedure and apply it to the problem of data-driven bandwidth choice for the SBE. By simulations it is shown that the SBE and our cross-validation work very well indeed. In particular, the SBE is less affected by sparseness of data in high dimensional regression problems or strongly correlated designs. The SBE has reasonable performance even in 100-dimensional additive regression problems.