The Performance of Cross-Validation and Maximum Likelihood Estimators of Spline Smoothing Parameters
样条平滑参数的交叉验证与最大似然估计表现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：研究通用样条回归的平滑参数选择，摘要没有明确对应给定经济领域细分。
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…
样条平滑参数的交叉验证与最大似然估计表现
- 研究问题
- 摘要研究非参数样条回归中不同平滑参数选择方法的有限样本表现，同时关注函数本身及其一阶导数的估计误差。
- 方法与思路
- 作者通过模拟比较广义交叉验证、交叉验证与边际似然方法，以积分平方误差的平方根评价函数和导数估计。
- 材料陈述的贡献
- 摘要称，采用五次样条的边际似然方法通常比所比较的方法表现更好且计算更快，因此是值得考虑的替代方案。
- 阅读关注点
- 应核对样条阶数与次数的记号对应、模拟函数和噪声设置，以及误差与运算时间比较是否采用一致的实现和调参规则。
- 阅读边界
- 摘要未给出优势大小或例外情形，阶数与次数表述需查原文确认；索引未注明稿件版本，不能推断后续刊本变化。
原文摘要
An important aspect of nonparametric regression by spline smoothing is the estimation of the smoothing parameter. In this article we report on an extensive simulation study that investigates the finite-sample performance of generalized cross-validation, cross-validation, and marginal likelihood estimators of the smoothing parameter in splines of orders 2 and 3. The performance criterion for both the estimate of the function and its first derivative is measured by the square root of integrated squared error. Marginal likelihood using splines of degree 5 emerges as an attractive alternative to the other estimators in that it usually outperforms them and is also faster to compute.