Bandwidth selection for smooth backfitting in additive models
加性模型平滑回拟合的带宽选择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：摘要研究通用加性回归的带宽选择，未直接对应所列经济计量细分方向。
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
加性模型平滑回拟合的带宽选择
- 研究问题
- 加性回归采用平滑回拟合时，如何自动选择带宽，并比较不同选择方法的大样本性质与有限样本表现？
- 方法与思路
- 作者提出三种自动方法：一种基于残差平方和高阶随机展开的惩罚最小二乘法，两种基于平均平方误差近似的插件法。
- 材料陈述的贡献
- 摘要称，给出了三种带宽选择法的大样本性质并进行模拟比较；两种插件法仅适用于局部线性拟合，未报告统一优胜者。
- 阅读关注点
- 阅读时应核对惩罚项与高阶展开、插件量的估计方式，以及局部线性限制和模拟设计；区分既有拟合性质与本文贡献。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；摘要未列具体渐近条件和模拟结果，既有方法的 oracle 效率不能视为新贡献。
原文摘要
The smooth backfitting introduced by Mammen, Linton and Nielsen [Ann. Statist. 27 (1999) 1443–1490] is a promising technique to fit additive regression models and is known to achieve the oracle efficiency bound. In this paper, we propose and discuss three fully automated bandwidth selection methods for smooth backfitting in additive models. The first one is a penalized least squares approach which is based on higher-order stochastic expansions for the residual sums of squares of the smooth backfitting estimates. The other two are plug-in bandwidth selectors which rely on approximations of the average squared errors and whose utility is restricted to local linear fitting. The large sample properties of these bandwidth selection methods are given. Their finite sample properties are also compared through simulation experiments.