Adaptive Spline Smoothing in Non-Gaussian Regression Models
非高斯回归模型中的自适应样条平滑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：摘要聚焦通用非高斯回归平滑，逻辑回归仅为示例，未明确涉及经济离散选择问题。
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
非高斯回归模型中的自适应样条平滑
- 研究问题
- 如何在非高斯回归中高效计算惩罚似然平滑样条，并自适应选择平滑程度，使拟合具有明确的统计准则解释？
- 方法与思路
- 作者提出惩罚似然样条算法，以广义交叉验证选择平滑程度，并在单参数指数族框架下分析其与期望KL差异的关系。
- 材料陈述的贡献
- 摘要称，该方法在一定条件下近似最小化期望KL差异，并扩展样条计算方法，以交互样条拟合逻辑回归模型。
- 阅读关注点
- 应核对近似最优性所需条件、广义交叉验证的具体形式，以及交互样条的构造、计算成本和示例表现。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；近似结论的条件与误差未说明，逻辑回归示例不足以证明普遍优势。
原文摘要
A convenient and efficient algorithm for penalized likelihood smoothing spline regression is proposed and illustrated. The amount of smoothing is tuned adaptively via the generalized cross-validation method. Under certain conditions, the method is shown to approximately minimize the expected Kullback-Leibler discrepancy in modeling one-parameter exponential family observations through the canonical parameter. The algorithm is applied to fit logistic models using interaction splines. This research extends the recent algorithmic development of computing smoothing splines, provides further justification for the heuristics of O'Sullivan, Yandell, and Raynor (1986) on the property of generalized cross-validation in this setting, and experiments with interaction splines.