Oracally Efficient Two-Step Estimation of Generalized Additive Model
具有预言效率的广义可加模型两步估计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。
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：摘要明确讨论弱依赖条件下的估计及高维时间序列分析，直接支持时间序列分类，未明确宏观应用。
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…
具有预言效率的广义可加模型两步估计
- 研究问题
- 对于二元或计数等非高斯响应，如何在弱依赖数据下估计广义可加模型的分量函数，并获得可用于函数推断的渐近结果？
- 方法与思路
- 作者提出样条回拟合核估计方法，估计各加性分量和常数项；利用渐近正态性开展函数推断，并以模拟和破产概率应用说明方法。
- 材料陈述的贡献
- 摘要称，该估计在弱依赖下具有预言效率，兼顾计算便利与理论性质；模拟支持渐近理论，应用中的准确率指标高于此前研究。
- 阅读关注点
- 应核对预言效率的基准、弱依赖的具体条件，以及样条和核平滑的选择；还需检查高维适用范围与应用比较是否采用相同评价设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列出维度增长、平滑条件或比较数值，不能判断优势的适用边界。
原文摘要
The generalized additive model (GAM) is a multivariate nonparametric regression tool for non-Gaussian responses including binary and count data. We propose a spline-backfitted kernel (SBK) estimator for the component functions and the constant, which are oracally efficient under weak dependence. The SBK technique is both computationally expedient and theoretically reliable, thus usable for analyzing high-dimensional time series. Inference can be made on component functions based on asymptotic normality. Simulation evidence strongly corroborates the asymptotic theory. The method is applied to estimate insolvent probability and to obtain higher accuracy ratio than a previous study. Supplementary materials for this article are available online.