The Role of Pseudo Data for Robust Smoothing with Application to Wavelet Regression
伪数据在稳健平滑中的作用及其小波回归应用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：摘要研究通用稳健平滑与小波回归，未明确涉及所列经济计量细分方向。
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
伪数据在稳健平滑中的作用及其小波回归应用
- 研究问题
- 如何结合 M 型估计与惩罚平滑构造稳健曲线和曲面估计，并借助伪数据简化理论分析、计算与平滑程度选择？
- 方法与思路
- 作者用伪数据将稳健加性模型转换为具有有界误差的形式，据此推导性质并构建 es 算法，同时应用于小波回归。
- 材料陈述的贡献
- 摘要称算法计算快速、实现直接并便于选择平滑程度，可扩展至不规则采样和图像去噪；模拟与实例显示有潜力的表现。
- 阅读关注点
- 应核对伪数据转换、误差有界性的条件及理论性质，检查 es 算法的收敛、调参规则和不规则采样扩展的具体处理。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未给出误差界、稳健性指标或数值幅度，不能认定方法普遍更优。
原文摘要
We propose a robust curve and surface estimator based on M-type estimators and penalty-based smoothing. This approach also includes an application to wavelet regression. The concept of pseudo data, a transformation of the robust additive model to the one with bounded errors, is used to derive some theoretical properties and also motivate a computational algorithm. The resulting algorithm, termed the es-algorithm, is computationally fast and provides a simple way of choosing the amount of smoothing. Moreover, it is easily described, straightforwardly implemented and can be extended to other wavelet regression settings such as irregularly spaced data and image denoising. Results from a simulation study and real data examples demonstrate the promising empirical properties of the proposed approach. Copyright 2007, Oxford University Press.