Automatic structure recovery for additive models
加性模型的自动结构恢复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：摘要中的结构指加性回归的函数形式与变量类别，未涉及经济结构估计或所列其他细分方向。
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…
关注这篇论文的作者
加性模型的自动结构恢复
- 研究问题
- 在加性模型中，如何自动识别无关变量、不同次数的多项式效应，以及超出预设多项式次数范围的变量作用？
- 方法与思路
- 作者将反向拟合算法、局部多项式平滑与新的核变量选择策略结合，按预设最高次数对预测变量的作用形式分类。
- 材料陈述的贡献
- 摘要称，该方法能够恢复多类变量集合，具有一致性结果，并可扩展到部分线性模型；模拟和真实数据展示有限样本表现。
- 阅读关注点
- 应核对结构类别的精确定义、最高次数和带宽选择、变量作用可区分的条件，以及一致性针对哪些恢复目标成立。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；结构恢复条件、调参规则及数值结果未提供，不能认为其能无条件识别任意非线性结构。
原文摘要
We propose an automatic structure recovery method for additive models, based on a backfitting algorithm coupled with local polynomial smoothing, in conjunction with a new kernel-based variable selection strategy. Our method produces estimates of the set of noise predictors, the sets of predictors that contribute polynomially at different degrees up to a specified degree M, and the set of predictors that contribute beyond polynomially of degree M. We prove consistency of the proposed method, and describe an extension to partially linear models. Finite-sample performance of the method is illustrated via Monte Carlo studies and a real-data example.