On Local Smoothing of Nonparametric Curve Estimators
非参数曲线估计的局部平滑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：摘要讨论密度与回归曲线的通用局部平滑方法，未明确研究分位数、分布效应或其他给定细分对象，因此暂不分类。
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…
非参数曲线估计的局部平滑
- 研究问题
- 密度估计与非参数回归如何根据曲线不同位置的局部变化调整平滑程度，而不是使用难以兼顾整条曲线的单一带宽？
- 方法与思路
- 作者构造交叉验证和平滑交叉验证等常见方法的局部版本，使带宽随曲线特征平滑变化，从而实现局部自适应。
- 材料陈述的贡献
- 摘要称这些局部方法能够捕捉曲线中的平滑局部起伏，并具有准确、易用和计算便捷的特点，但未给出具体性能指标。
- 阅读关注点
- 应核对局部目标函数和带宽构造、带宽平滑变化的约束，以及准确性与计算便捷性由哪些理论或比较结果支持。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；误差准则、理论条件及性能比较均未说明，不能据此声称优于所有全局平滑方法。
原文摘要
We develop new local versions of familiar smoothing methods, such as cross-validation and smoothed cross-validation, in the contexts of density estimation and regression. These new methods are locally adaptive in the sense that they capture smooth local fluctuations in the curve by using smoothly varying bandwidths that change as the character of the curve changes. Moreover, the new methods are accurate, easy to apply, and computationally expedient.