A Note on Penalized Spline Smoothing With Correlated Errors
相关误差下惩罚样条平滑的一则说明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：摘要仅明确相关数据下的非参数平滑，未说明时间序列、面板或其他给定分类所需的结构。
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
相关误差下惩罚样条平滑的一则说明
- 研究问题
- 惩罚样条回归中，数据驱动的平滑参数选择对误差相关结构的误设有多敏感，哪些选择方式更能避免过拟合或欠拟合？
- 方法与思路
- 作者研究基于最大似然的平滑参数选择，并结合理论分析、模拟和数据例子，考察其面对相关结构误设时的表现。
- 材料陈述的贡献
- 摘要称，最大似然选择相较所述均方误差准则更稳健，在相关结构中度误设时不会发生所讨论的过拟合或欠拟合。
- 阅读关注点
- 应核对“中度误设”的定义、似然中相关结构的处理、拟合程度的评价方式，以及理论分析与模拟覆盖的误差模型。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；未说明稳健性成立的具体条件和数值幅度，不能据此声称最大似然选择普遍最优。
原文摘要
We investigate the behavior of data-driven smoothing parameters for penalized spline regression in the presence of correlated data. It has been shown for other smoothing methods that mean squared error minimizers, such as (generalized) cross-validation or the Akaike information criterion, are extremely sensitive to misspecifications of the correlation structure resulting in over- or (under-)fitting the data. In contrast to this, we show that a maximum likelihood–based choice of the smoothing parameter is more robust and that for a moderately misspecified correlation structure over- or (under-)fitting does not occur. This is demonstrated in simulations and data examples and is supported by theoretical investigations.