A One-Covariate-at-a-Time Method for Nonparametric Additive Models
非参数加性模型的逐协变量多重检验方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要研究通用高维加性回归变量选择，调查数据来源不足以证明采用了面板或宏观预测模型。
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…
非参数加性模型的逐协变量多重检验方法
- 研究问题
- 在高维非参数加性回归中，如何通过逐个检验协变量选择显著变量，并发现边际效应较弱的隐藏信号？
- 方法与思路
- 作者提出 OCMT 方法，对单个非参数加性分量进行显著性检验并考虑多重检验，比较单阶段与多阶段选择程序。
- 材料陈述的贡献
- 摘要称多阶段程序有助于发现弱边际信号，模拟显示良好有限样本表现，中国城乡迁移调查应用报告了样本外预测比较。
- 阅读关注点
- 应核对多重检验校正、加性分量的估计方式、隐藏信号的定义，以及多阶段停止规则和样本外比较的实施。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未提供理论条件、误选控制与具体预测误差，不能确认普遍优于其他方法。
原文摘要
This paper proposes a one-covariate-at-a-time multiple testing (OCMT) approach to choose significant variables in high-dimensional nonparametric additive regression models. Similarly to Chudik, Kapetanios and Pesaran (2018), we consider the statistical significance of individual nonparametric additive components one at a time and take into account the multiple testing nature of the problem. One-stage and multiple-stage procedures are both considered. The former works well in terms of the true positive rate only if the marginal effects of all signals are strong enough; the latter helps to pick up hidden signals that have weak marginal effects. Simulations demonstrate the good finite sample performance of the proposed procedures. As an empirical application, we use the OCMT procedure on a dataset we extracted from the Longitudinal Survey on Rural Urban Migration in China. We find that our procedure works well in terms of the out-of-sample forecast root mean square errors, compared with competing methods.