Variable Selection in Kernel Regression Using Measurement Error Selection Likelihoods
利用测量误差选择似然进行核回归变量选择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：摘要研究通用非参数回归的收缩、带宽与变量选择，未明确对应所列领域细分。
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…
利用测量误差选择似然进行核回归变量选择
- 研究问题
- 如何在非参数核回归中同时实现收缩与变量选择，并通过可调的选择路径确定核带宽和模型复杂度？
- 方法与思路
- 作者提出 MEKRO，以测量误差模型选择似然优化核带宽，通过伪测量误差标准差的调和均值约束控制选择，并用小样本修正 AIC 调参。
- 材料陈述的贡献
- 摘要称，估计量保留 Nadaraya-Watson 核估计形式并产生类似 LASSO 或 COSSO 的选择路径，同时研究大样本性质及小样本表现。
- 阅读关注点
- 核对伪测量误差在选择似然中的作用、带宽如何对应变量排除、调和均值约束的实现，以及修正 AIC 的适用依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未给出具体大样本结论、变量选择条件或相对其他方法的性能数值。
原文摘要
This paper develops a nonparametric shrinkage and selection estimator via the measurement error selection likelihood approach recently proposed by Stefanski, Wu, and White. The Measurement Error Kernel Regression Operator (MEKRO) has the same form as the Nadaraya-Watson kernel estimator, but optimizes a measurement error model selection likelihood to estimate the kernel bandwidths. Much like LASSO or COSSO solution paths, MEKRO results in solution paths depending on a tuning parameter that controls shrinkage and selection via a bound on the harmonic mean of the pseudo-measurement error standard deviations. We use small-sample-corrected AIC to select the tuning parameter. Large-sample properties of MEKRO are studied and small-sample properties are explored via Monte Carlo experiments and applications to data.