Selection criteria for scatterplot smoothers
散点图平滑器的选择准则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平滑参数选择，未提供所列经济学领域细分的直接依据。
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
散点图平滑器的选择准则
- 研究问题
- 样条类散点图平滑器如何依据数据选择窗口宽度，Cp 与广义最大似然准则为何会产生不同的有限样本平滑行为？
- 方法与思路
- 作者把两种准则纳入各自对应单参数弯曲指数族的最大似然框架，利用指数族理论开展有限样本比较并给出几何解释。
- 材料陈述的贡献
- 摘要称，Cp 也可解释为相关非正态模型下的最大似然准则；统一框架解释了其容易选取小窗口、产生起伏估计的行为。
- 阅读关注点
- 核对平滑器类别、各准则对应的概率模型、有限样本比较的具体结论，以及几何解释为何不依赖对模型真实性的认可。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出比较条件和风险结果，不能据此断言某准则对所有回归问题更优。
原文摘要
Scatterplot smoothers estimate a regression function y = f(x) by local averaging of the observed data points (xi, yi). In using a smoother, the statistician must choose a “window width,” a crucial smoothing parameter that says just how locally the averaging is done. This paper concerns the databased choice of a smoothing parameter for splinelike smoothers, focusing on the comparison of two popular methods, Cp and generalized maximum likelihood. The latter is the MLE within a normaltheory empirical Bayes model. We show that Cp is also maximum likelihood within a closely related nonnormal family, both methods being examples of a class of selection criteria. Each member of the class is the MLE within its own oneparameter curved exponential family. Exponential family theory facilitates a finitesample nonasymptotic comparison of the criteria. In particular it explains the eccentric behavior of Cp, which even in favorable circumstances can easily select small window widths and wiggly estimates of f(x). The theory leads to simple geometric pictures of both Cp and MLE that are valid whether or not one believes in the probability models.