Some Aspects of the Spline Smoothing Approach to Non-Parametric Regression Curve Fitting
非参数回归曲线拟合中样条平滑方法的若干方面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：摘要讨论通用非参数回归与曲线推断，没有提供因果、面板、时间序列或其他所列细分方向的直接证据。
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
非参数回归曲线拟合中样条平滑方法的若干方面
- 研究问题
- 如何使三次样条成为更易理解和应用的非参数曲线估计方法，并处理平滑程度选择、残差诊断及曲线不确定性表达？
- 方法与思路
- 作者介绍样条平滑的基本原理及其与移动平均等方法的关系，讨论自动平滑选择和残差诊断，并以有限维贝叶斯框架构造推断区域。
- 材料陈述的贡献
- 摘要将贡献定位于增进样条方法的理解和可操作性，涵盖平滑参数选择、模型适应，以及曲线和相关曲线属性的推断。
- 阅读关注点
- 应核对自动选择平滑程度的准则、残差诊断如何指导模型调整，以及有限维贝叶斯表述中的先验、区间解释和适用条件。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断各程序的具体实现、区间覆盖性质或与其他平滑方法的表现差异，也不推断其他版本的变化。
原文摘要
SUMMARY Non-parametric regression using cubic splines is an attractive, flexible and widely-applicable approach to curve estimation. Although the basic idea was formulated many years ago, the method is not as widely known or adopted as perhaps it should be. The topics and examples discussed in this paper are intended to promote the understanding and extend the practicability of the spline smoothing methodology. Particular subjects covered include the basic principles of the method; the relation with moving average and other smoothing methods; the automatic choice of the amount of smoothing; and the use of residuals for diagnostic checking and model adaptation. The question of providing inference regions for curves – and for relevant properties of curves – is approached via a finite-dimensional Bayesian formulation.