Search for significant variables in nonparametric additive regression
非参数加性回归中的重要变量搜索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：摘要研究一般稀疏加性回归的变量筛选，未明确关联因果、面板或预测等所列专门方向。
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
非参数加性回归中的重要变量搜索
- 研究问题
- 在只有部分非参数加性分量非零的回归模型中，如何识别对应的重要解释变量，以及变量搜索是否需要最快速的分量估计？
- 方法与思路
- 作者在稀疏加性分量设定下提出重要变量搜索算法，并分析搜索错误概率；摘要同时讨论使用粗略分箱估计而非追求最快函数估计率。
- 材料陈述的贡献
- 摘要称，所提算法的错误概率随样本量增长指数下降，并指出进行重要变量搜索时，采用粗略分箱估计具有合理性。
- 阅读关注点
- 阅读全文时应核对重要变量的定义、信号强度与设计条件、搜索算法及分箱方式，并确认指数错误界如何依赖变量数量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；维度增长、非零分量强度和光滑性条件未说明，“重要变量”指非零分量，不能自动解释为因果显著。
原文摘要
Nonparametric additive regression is studied under the assumption that only a subset of nonparametric components is nonzero. Each of these nonzero components depends on its own particular explanatory variable, called a significant variable. The search problem for significant variables is considered and an algorithm is proposed which guarantees exponentially decreasing error probabilities as the sample size grows. We show that it is reasonable to use a rough bin estimator rather than to estimate the nonparametric components with the fastest possible rate.