Selection of functional predictors and smooth coefficient estimation for scalar-on-function regression models
标量对函数回归中的函数型预测变量选择与平滑系数估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以 GDP 增长预测作为真实数据应用，因此宏观预测是直接相关的领域；函数回归本身属于通用方法。
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…
标量对函数回归中的函数型预测变量选择与平滑系数估计
- 研究问题
- 当多个函数型变量用于预测标量结果时，如何同时筛选相关预测变量，并估计具有平滑性或其他正则性的函数系数？
- 方法与思路
- 作者提出 SOFIA，在希尔伯特空间及指定系数子空间中进行自适应惩罚最小二乘，利用函数次梯度求解优化问题。
- 材料陈述的贡献
- 摘要称该方法在预测变量数超过样本量时仍具有函数型预言性质，并通过模拟及 GDP 增长预测应用评估选择与估计表现。
- 阅读关注点
- 应核对系数子空间与核的选择、惩罚参数设定、预言性质所需条件，以及 GDP 预测的样本划分和比较基准。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已经同行评审或期刊接收；摘要未提供预言性质的具体条件或预测改善数值。
原文摘要
In the framework of scalar-on-function regression models, in which several functional variables are employed to predict a scalar response, we propose a methodology for selecting relevant functional predictors while simultaneously providing accurate smooth (or, more generally, regular) estimates of the functional coefficients. We suppose that the functional predictors belong to a real separable Hilbert space, while the functional coefficients belong to a specific subspace of this Hilbert space. Such a subspace can be a Reproducing Kernel Hilbert Space (RKHS) to ensure the desired regularity characteristics, such as smoothness or periodicity, for the coefficient estimates. Our procedure, called SOFIA (Scalar-On-Function Integrated Adaptive Lasso), is based on an adaptive penalized least squares algorithm that leverages functional subgradients to efficiently solve the minimization problem. We demonstrate that the proposed method satisfies the functional oracle property, even when the number of predictors exceeds the sample size. SOFIA's effectiveness in variable selection and coefficient estimation is evaluated through extensive simulation studies and a real-data application to GDP growth prediction.