Nonparametric Spline Regression with Prior Information
结合先验信息的非参数样条回归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：摘要研究一般非参数回归的形状信息与样条计算，未直接涉及结构经济模型或其他指定细分。
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…
结合先验信息的非参数样条回归
- 研究问题
- 如何把关于回归曲线形状及线性等式约束的已有信息纳入非参数估计，并保持平滑参数选择与计算的可实施性？
- 方法与思路
- 作者用线性微分方程描述参考曲线族，将对应微分算子纳入惩罚最小二乘的平滑惩罚，并结合线性约束与时间变换。
- 材料陈述的贡献
- 摘要称，该方法可纳入两类先验信息，以广义交叉验证或极大似然估计未知参数，并提供计算曲线和准则函数的线性复杂度算法。
- 阅读关注点
- 应核对微分算子、边界与等式约束的设定，增长和衰减曲线的时间变换，以及参数选择和线性复杂度结论的范围。
- 阅读边界
- 依据版本未注明的索引摘要。具体模型条件与实证性能未提供，不能判断形状信息错误时的稳健性，也不能将计算效率等同于统计效率。
原文摘要
By using prior information about the regression curve we propose new nonparametric regression estimates. We incorporate two types of information. First, we suppose that the regression curve is similar in shape to a family of parametric curves characterized as the solution to a linear differential equation. The regression curve is estimated by penalized least squares with the differential operator defining the smoothness penalty. We discuss in particular growth and decay curves and take a time transformation to obtain a tractable solution. The second type of prior information is linear equality constraints. We estimate unknown parameters by generalized cross-validation or maximum likelihood and obtain efficient O(n) algorithms to compute the estimate of the regression curve and the cross-validation and maximum likelihood criterion functions.