On the asymptotics of penalized splines
惩罚样条的渐近性质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：摘要聚焦一元非参数平滑的通用渐近理论，没有所列领域细分的直接依据。
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
惩罚样条的渐近性质
- 研究问题
- 当样本量与节点数量共同增加时，一元惩罚样条如何表现，其渐近分布、惩罚参数选择与核平滑之间有何联系。
- 方法与思路
- 作者采用 B 样条并惩罚系数的高阶差分，分析节点数增长下的等价核、渐近均值与方差，以及惩罚参数的最优收敛速率。
- 材料陈述的贡献
- 摘要称估计量渐近高斯，等价核与平滑样条所得核相同；节点增长足够快时其速率不影响渐近分布，且方法不具设计自适应性。
- 阅读关注点
- 应核对差分阶数、节点增长下限和惩罚参数速率，以及等价核的成立范围、边界处理与非设计自适应性的含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体速率、正则条件及边界结论未说明，不能把等价核关系解释为有限样本完全等同。
原文摘要
We study the asymptotic behaviour of penalized spline estimators in the univariate case. We use B-splines and a penalty is placed on mth-order differences of the coefficients. The number of knots is assumed to converge to infinity as the sample size increases. We show that penalized splines behave similarly to Nadaraya--Watson kernel estimators with ‘equivalent’ kernels depending upon m. The equivalent kernels we obtain for penalized splines are the same as those found by Silverman for smoothing splines. The asymptotic distribution of the penalized spline estimator is Gaussian and we give simple expressions for the asymptotic mean and variance. Provided that it is fast enough, the rate at which the number of knots converges to infinity does not affect the asymptotic distribution. The optimal rate of convergence of the penalty parameter is given. Penalized splines are not design-adaptive.