On an additive partial correlation operator and nonparametric estimation of graphical models
加性偏相关算子与图模型的非参数估计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：摘要中的图模型刻画统计依赖，未涉及经济网络、个体互动或干扰效应，故不归入网络与干扰。
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
加性偏相关算子与图模型的非参数估计
- 研究问题
- 如何将偏相关推广到非线性情形，在避免高维核估计的同时刻画变量间的加性条件独立，并处理边际尺度对依赖测度的影响？
- 方法与思路
- 作者定义加性偏相关算子，以加性条件独立建立非参数图模型估计方法，并通过适当缩放边际变异来评估变量间依赖。
- 材料陈述的贡献
- 摘要称算子完整刻画加性条件独立，估计量具有一致性；模拟与 DREAM4 数据分析展示了非高斯设定下的表现及缩放的作用。
- 阅读关注点
- 应核对加性条件独立与通常条件独立的区别、算子的定义和估计条件，以及尺度调整、图结构选择与比较实验的实现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一致性条件与性能差异未展开，加性条件独立不能直接等同于通常条件独立。
原文摘要
We introduce an additive partial correlation operator as an extension of partial correlation to the nonlinear setting, and use it to develop a new estimator for nonparametric graphical models. Our graphical models are based on additive conditional independence, a statistical relation that captures the spirit of conditional independence without having to resort to high-dimensional kernels for its estimation. The additive partial correlation operator completely characterizes additive conditional independence, and has the additional advantage of putting marginal variation on appropriate scales when evaluating interdependence, which leads to more accurate statistical inference. We establish the consistency of the proposed estimator. Through simulation experiments and analysis of the DREAM4 Challenge dataset, we demonstrate that our method performs better than existing methods in cases where the Gaussian or copula Gaussian assumption does not hold, and that a more appropriate scaling for our method further enhances its performance.