Data-Driven Choice of a Spectrum Estimate: Extending the Applicability of Cross-Validation Methods
谱估计的数据驱动选择：拓展交叉验证方法的适用范围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：摘要直接讨论谱估计、自回归估计及其平滑参数选择，对应时间序列方法。
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
谱估计的数据驱动选择：拓展交叉验证方法的适用范围
- 研究问题
- 如何从同时包含不同类型谱估计量的候选集合中客观选择估计量，并为自回归与 Blackman–Tukey 方法选择平滑参数？
- 方法与思路
- 作者引入广义留一谱估计，拓展既有交叉验证技术，使同一选择框架能够覆盖自回归与 Blackman–Tukey 等谱估计。
- 材料陈述的贡献
- 摘要称，该框架给出两类谱估计的新平滑参数选择方法，并通过蒙特卡洛研究展示推广 Wahba 的 CVMSE 后所得方法的有效性。
- 阅读关注点
- 读全文时应核对广义留一估计的构造、候选集合限制与选择准则，以及模拟如何衡量有效性、是否覆盖不同谱形状。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明适用条件、模拟设计或改善幅度，不能推断其他版本的结果。
原文摘要
I develop methods of objectively choosing a spectrum estimate from a general class C of available estimates. C can, for example, simultaneously include Blackman—Tukey and autoregressive estimates, so the statistician no longer needs to choose one type or the other arbitrarily. The methods work by extending the applicability of existing cross-validatory techniques through the introduction of generalized leave-out-one spectrum estimates. As special cases, I obtain new objective smoothness parameter selection methods for both autoregressive and Blackman—Tukey estimates. In a Monte Carlo study, I demonstrate the effectiveness of the particular methods that result from generalizing Wahba's CVMSE.