Direct estimation of low-dimensional components in additive models
加性模型中低维分量的直接估计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：摘要讨论通用加性回归与非参数分量估计，未明确涉及所列因果、面板、分布效应或时间序列方向。
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…
加性模型中低维分量的直接估计
- 研究问题
- 在高维数据的加性回归模型中，如何直接估计低维加性分量，并降低未知其他分量及样本设计对估计表现的影响？
- 方法与思路
- 作者分析边际积分估计的渐近性质，并提出基于局部线性拟合的加权边际积分方法，通过选择权重改善分量估计。
- 材料陈述的贡献
- 摘要称，适当权重可使分量估计获得其他分量已知时的相同渐近偏差和方差，局部线性拟合还可减少设计相关偏差。
- 阅读关注点
- 应核对权重选择、加性分量的规范化、平滑参数及渐近条件，并确认与其他分量已知情形相同的结论适用于哪些模型。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体权重、正则条件与有限样本表现未说明，不能推断刊本变化。
原文摘要
Additive regression models have turned out to be a useful statistical tool in analyses of high-dimensional data sets. Recently, an estimator of additive components has been introduced by Linton and Nielsen which is based on marginal integration. The explicit definition of this estimator makes possible a fast computation and allows an asymptotic distribution theory. In this paper an asymptotic treatment of this estimate is offered for several models. A modification of this procedure is introduced. We consider weighted marginal integration for local linear fits and we show that this estimate has the following advantages. (i) With an appropriate choice of the weight function, the additive components can be efficiently estimated: An additive component can be estimated with the same asymptotic bias and variance as if the other components were known. (ii) Application of local linear fits reduces the design related bias.