CONSTRAINED SMOOTHING SPLINES
约束平滑样条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：摘要研究一般非参数回归的样条收缩；投资应用未说明结构识别，不能据应用题材归入结构估计。
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
约束平滑样条
- 研究问题
- 若相信非参数回归曲线的形状接近某个参数模型，如何将这种先验信息纳入平滑样条估计并进行推断？
- 方法与思路
- 作者构造数据拟合与参数模型的凸组合，使样条向参数模型收缩，分析收敛率与渐近分布，并提出推断和调参方法。
- 材料陈述的贡献
- 摘要称，方法具有相应渐近理论，数据驱动调参可产生渐近最优估计，并提供美国电话业投资应用和蒙特卡洛结果。
- 阅读关注点
- 应核对形状相似性的表达、收缩权重和调参准则，以及渐近分布难处理时所采用的推断方法和最优性标准。
- 阅读边界
- 所给 RePEc 出版社摘要未列出收敛率、最优性条件及模拟数值，不能据此判断先验模型误设时的稳健性。
原文摘要
We use smoothing splines to introduce prior information in nonparametric models. The type of information we consider is based on the belief that the regression curve is similar in shape to a parametric model. The resulting estimator is a convex sum of a fit to data and the parametric model, and it can be seen as shrinkage of the smoothing spline toward the parametric model. We analyze its rates of convergence and we provide some asymptotic distribution theory. Because the asymptotic distribution is intractable, we propose to carry out inference with the estimator by using the method proposed by Politis and Romano (1994, Annals of Statistics 22, 2031–2050). We also propose a data-driven technique to compute the smoothing parameters that provides asymptotically optimal estimates. Finally, we apply our results to the estimation of a model of investment behavior of the U.S. telephone industry and we present some Monte Carlo results.