Spline-backfitted kernel smoothing of nonlinear additive autoregression model
非线性加性自回归模型的样条回拟合核平滑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：题名明确为非线性加性自回归模型，摘要直接讨论高维时间序列的估计与推断。
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
非线性加性自回归模型的样条回拟合核平滑
- 研究问题
- 面对高维非线性加性时间序列，如何缓解非参数回归的维数灾难，并兼顾分量函数估计的计算可行性与统计推断？
- 方法与思路
- 作者提出样条回拟合核估计量，用于非线性加性时间序列的分量函数估计，并结合渐近理论与模拟研究分析方法。
- 材料陈述的贡献
- 摘要称该估计方法计算便捷、可用于很高维时间序列，并提供支持分量函数推断的理论，模拟结果与渐近理论相符。
- 阅读关注点
- 应核对加性自回归设定、序列依赖条件、样条与核平滑步骤，以及维度、带宽和推断有效性之间的关系。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；所谓较弱条件、维度增长范围和计算表现未说明，不能据此判断任意高维序列均适用。
原文摘要
Application of nonparametric and semiparametric regression techniques to high-dimensional time series data has been hampered due to the lack of effective tools to address the “curse of dimensionality.” Under rather weak conditions, we propose spline-backfitted kernel estimators of the component functions for the nonlinear additive time series data that are both computationally expedient so they are usable for analyzing very high-dimensional time series, and theoretically reliable so inference can be made on the component functions with confidence. Simulation experiments have provided strong evidence that corroborates the asymptotic theory.