A Comparison of Generalized Cross Validation and Modified Maximum Likelihood for Estimating the Parameters of a Stochastic Process
随机过程参数估计中广义交叉验证与修正最大似然的比较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：摘要研究通用平滑样条参数选择与预测，未明确涉及所列经济时间序列或其他细分方向。
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
随机过程参数估计中广义交叉验证与修正最大似然的比较
- 研究问题
- 研究支撑修正最大似然的随机模型正确时，广义交叉验证与修正最大似然选择平滑样条参数的效率及预测影响有何差别。
- 方法与思路
- 作者分析等间距观测下线性平滑样条的两种参数估计，推导渐近分布并计算预测影响，同时提出高阶样条的推广猜想。
- 材料陈述的贡献
- 摘要称在线性样条设定中，两估计均渐近正态，广义交叉验证的渐近方差为修正最大似然的两倍；高阶结论属猜想。
- 阅读关注点
- 阅读全文时应核对随机模型正确这一前提、观测设计和渐近框架，并区分已证明的线性样条结果与高阶样条猜想。
- 阅读边界
- 摘要的效率比较具有明确模型前提，高阶推广未作为定理陈述。来源为版本未注明的 OpenAlex 索引摘要。
原文摘要
Wahba compared the performance of generalized cross validation (GCV) and modified maximum likelihood (MML) procedures for choosing the smoothing parameter of a smoothing spline. This work makes a more careful study of the two procedures when the stochastic model motivating the modified maximum likelihood estimate is correct. In particular, it is shown that in the case of the linear smoothing spline with equally spaced observations, both estimates are asymptotically normal with the GCV estimate having twice the asymptotic variance of the MML estimate. The impact of using these estimates on the subsequent predictions is also calculated. Conjectures on how these results should generalize to higher order smoothing splines are developed. These conjectures suggest that the penalty for using GCV instead of MML when the stochastic model is correct is greater for higher order smoothing splines, both in terms of the efficiency in estimating the smoothing parameter and the impact on subsequent predictions.