lspartition: Partitioning-Based Least Squares Regression
lspartition：基于分区的最小二乘回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要介绍通用非参数回归软件，两样本比较本身不足以确定因果或其他所列领域归属。
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…
lspartition：基于分区的最小二乘回归
- 研究问题
- 如何在基于样条、小波或分段多项式的非参数回归中，自动选择分区节点，并为多元函数及其导数提供点态和一致推断？
- 方法与思路
- 作者介绍 R 软件 lspartition，以积分均方误差准则选择节点数，结合稳健偏差校正实现估计与推断，并扩展到两样本分析。
- 材料陈述的贡献
- 摘要称软件提供数据驱动的最优点估计、函数及导数推断和有效置信带，并支持处理组与对照组等场景中的两样本比较。
- 阅读关注点
- 应核对节点选择的最优性条件、不同基函数和导数的处理、偏差校正与置信带实现，以及两样本比较具体估计的对象。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未给软件性能数值，处理组与对照组比较也未明确提供因果识别条件。
原文摘要
Nonparametric partitioning-based least squares regression is an important tool in empirical work. Common examples include regressions based on splines, wavelets, and piecewise polynomials. This article discusses the main methodological and numerical features of the R software package lspartition, which implements modern estimation and inference results for partitioning-based least squares (series) regression estimation. This article discusses the main methodological and numerical features of the R software package lspartition, which implements results for partitioning-based least squares (series) regression estimation and inference from Cattaneo and Farrell (2013) and Cattaneo, Farrell, and Feng (2019). These results cover the multivariate regression function as well as its derivatives. First, the package provides data-driven methods to choose the number of partition knots optimally, according to integrated mean squared error, yielding optimal point estimation. Second, robust bias correction is implemented to combine this point estimator with valid inference. Third, the package provides estimates and inference for the unknown function both pointwise and uniformly in the conditioning variables. In particular, valid confidence bands are provided. Finally, an extension to two-sample analysis is developed, which can be used in treatment-control comparisons and related problems