Model Selection in Spline Nonparametric Regression
样条非参数回归中的模型选择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：摘要讨论一般样条回归与模型选择；二元响应并未被解释为选择行为，因此不足以支持离散选择或其他领域分类。
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…
样条非参数回归中的模型选择
- 研究问题
- 如何在高斯误差回归和二元响应非参数回归中选择模型，并利用平滑先验改善回归曲面的估计表现？
- 方法与思路
- 作者为模型各组成部分设定平滑先验，以贝叶斯信息准则近似候选模型的后验概率，并使用 Gibbs 抽样完成计算。
- 材料陈述的贡献
- 摘要称模拟中模型选择方法表现出良好的频率学性质并改善回归曲面估计，同时报告 Gibbs 抽样计算具有较高效率。
- 阅读关注点
- 应核对候选模型集合、平滑先验及信息准则近似的构造，并查看模拟中的比较方法、选择指标和估计误差指标。
- 阅读边界
- 仅据所给 Crossref 摘要；先验设置、近似条件及模拟数值未说明，所述改善不能直接推广到任意非参数回归问题。
原文摘要
Summary A Bayesian approach is presented for model selection in nonparametric regression with Gaussian errors and in binary nonparametric regression. A smoothness prior is assumed for each component of the model and the posterior probabilities of the candidate models are approximated using the Bayesian information criterion. We study the model selection method by simulation and show that it has excellent frequentist properties and gives improved estimates of the regression surface. All the computations are carried out efficiently using the Gibbs sampler.