The Dimensionality Reduction Principle for Generalized Additive Models
广义加性模型的降维原理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：摘要属于通用非参数加性回归理论，未限定所列经济学应用或分布效应方向。
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
广义加性模型的降维原理
- 研究问题
- 当响应的条件分布属于适当的指数族时，多维协变量下最佳加性近似的估计，能否达到与单维情形相同的收敛速度？
- 方法与思路
- 作者以期望对数似然最大的加性函数为目标，使用随机样本，通过极大似然拟合该目标的加性样条估计。
- 材料陈述的贡献
- 摘要称在适当条件下，可构造在一般维数中仍达到单维最优收敛速度的估计，为加性近似的降维作用提供理论结果。
- 阅读关注点
- 应核对最佳加性近似与真实函数的区别、指数族及光滑性要求、样条复杂度选择，以及收敛速度的度量和最优性含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体条件和收敛率未给出，不能把加性近似的结果直接解释为任意多维真实函数的估计保证。
原文摘要
Let $(X, Y)$ be a pair of random variables such that $X = (X_1,\cdots, X_J)$ ranges over $C = \lbrack 0, 1\rbrack^J$. The conditional distribution of $Y$ given $X = x$ is assumed to belong to a suitable exponential family having parameter $\eta \in \mathbb{R}$. Let $\eta = f(x)$ denote the dependence of $\eta$ on $x$. Let $f^\ast$ denote the additive approximation to $f$ having the maximum possible expected log-likelihood under the model. Maximum likelihood is used to fit an additive spline estimate of $f^\ast$ based on a random sample of size $n$ from the distribution of $(X, Y)$. Under suitable conditions such an estimate can be constructed which achieves the same (optimal) rate of convergence for general $J$ as for $J = 1$.