Focused information criterion and model averaging for generalized additive partial linear models
广义可加部分线性模型的聚焦信息准则与模型平均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：摘要属于通用半参数回归中的模型选择与平均，未明确对应所列计量应用或专门数据结构。
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
广义可加部分线性模型的聚焦信息准则与模型平均
- 研究问题
- 在广义可加部分线性模型中，如何围绕目标参数开展模型选择和模型平均，并兼顾计算便利与理论性质？
- 方法与思路
- 作者用多项式样条逼近非参数函数，在拟似然框架下建立聚焦信息准则及频率学派模型平均估计量。
- 材料陈述的贡献
- 摘要称，线性参数估计具有渐近正态性，所提选择与平均方法具备理论支持，并在模拟及实际数据中展示表现。
- 阅读关注点
- 应核对聚焦目标的定义、候选模型与样条设置、拟似然条件，以及模型平均权重和比较方法的具体选择。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；摘要未说明理论条件、实证数据或比较数值，其优越性陈述不能视为普遍保证。
原文摘要
We study model selection and model averaging in generalized additive partial linear models (GAPLMs). Polynomial spline is used to approximate nonparametric functions. The corresponding estimators of the linear parameters are shown to be asymptotically normal. We then develop a focused information criterion (FIC) and a frequentist model average (FMA) estimator on the basis of the quasi-likelihood principle and examine theoretical properties of the FIC and FMA. The major advantages of the proposed procedures over the existing ones are their computational expediency and theoretical reliability. Simulation experiments have provided evidence of the superiority of the proposed procedures. The approach is further applied to a real-world data example.