ATS Methods: Nonparametric Regression for Non-Gaussian Data
ATS方法：非高斯数据的非参数回归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：摘要明确列出时间序列谱估计应用；二元响应曲面本身不足以确定离散选择方向。
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…
ATS方法：非高斯数据的非参数回归
- 研究问题
- 当数据分布不必为高斯时，如何通过局部平均、方差稳定化和非参数平滑拟合曲线或曲面，并选择平均程度？
- 方法与思路
- 作者提出先进行少量局部平均，再作方差稳定化变换，最后非参数平滑的ATS流程，并讨论二元响应、密度与时间序列谱估计。
- 材料陈述的贡献
- 摘要展示ATS在多类估计问题中的应用，并提供关于平均程度选择和方法效率的理论分析；未报告统一的效率优势。
- 阅读关注点
- 应核对不同响应分布所用的方差稳定化变换、平均与平滑参数之间的关系，以及时间序列谱估计中的依赖条件和效率结论。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出各应用的变换公式、参数规则或效率比较数值。
原文摘要
ATS methods provide an approach to fitting curves and surfaces to data using nonparametric regression when distributions are not necessarily Gaussian. First, a small amount of local averaging (the “A” in ATS) is carried out, then a variance-stabilizing transformation is applied (“T”), and finally the result is smoothed (“S”) using a nonparametric regression procedure. ATS methods are quite broad in terms of applications; in this article we show how they can be used for fitting a surface when the response is binary, for estimating density, and for estimating the spectrum of a time series. We also present some theoretical investigations that give guidance on how to choose the amount of averaging and how efficient the methods are.