Smoothness Priors and Nonlinear Regression
平滑先验与非线性回归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：摘要虽有成本函数应用，但核心是一般平滑回归，未明确经济结构约束或结构识别依据，故不归入结构估计。
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
平滑先验与非线性回归
- 研究问题
- 如何把未知函数斜率变化缓慢的先验信息纳入多元非线性回归，并以接近线性回归的方式得到估计与不确定性度量？
- 方法与思路
- 作者通过增加虚拟变量和虚拟观测实现平滑先验，使估计及“标准误”成为线性多元回归估计的自然扩展。
- 材料陈述的贡献
- 摘要称给出多元非线性回归的平滑先验构造，说明其与样条和多项式插值的联系，并展示成本函数估计例子。
- 阅读关注点
- 应核对平滑先验如何对应虚拟观测、平滑强度如何确定，以及“标准误”的概率解释和成本函数例子的模型设定。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；未说明先验强度选择和区间校准，成本函数例子也不足以判断结构识别或刊本变化。
原文摘要
Smoothness priors represent prior information that an unknown function does not change slope quickly and hence that the function describes a simple curve (e.g., Wahba 1978). In this article such priors for the multiple nonlinear regression model are developed in such a way that estimates and “standard errors” can be obtained as a natural and conceptually straightforward extension of linear multiple-regression estimation with the addition of dummy variables and dummy observations. Relations to spline and polynomial interpolation are described. An illustrative example of cost-function estimation is provided.