Analysis of Deviance for Hypothesis Testing in Generalized Partially Linear Models
广义部分线性模型中用于假设检验的偏差分析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：摘要聚焦广义部分线性模型的通用拟合与检验，未提供可明确对应给定领域细分的经济问题或应用数据结构。
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
广义部分线性模型中用于假设检验的偏差分析
- 研究问题
- 在广义部分线性模型中，如何构造具有可加性的局部与总体偏差分析，并正式检验非参数项是否显著，以评估其在模型中的作用？
- 方法与思路
- 作者在典则连接函数假设下，以局部多项式拟合构造局部与总体偏差分析，并基于积分似然提出检验非参数项显著性的卡方检验。
- 材料陈述的贡献
- 摘要称，局部与总体偏差分析具有可加性，高斯情况下归结为方差分析分解；模拟比较所提卡方检验与既有惩罚样条程序。
- 阅读关注点
- 全文应核对典则连接函数的限制、局部多项式阶数与带宽选择、积分似然卡方近似的条件，以及与惩罚样条比较的具体设定。
- 阅读边界
- 摘要未说明应用数据的变量与样本结构，也未报告检验尺寸、功效或比较数值；不能由模拟比较本身判断新检验优于已有程序。
原文摘要
In this study, we develop nonparametric analysis of deviance tools for generalized partially linear models based on local polynomial fitting. Assuming a canonical link, we propose expressions for both local and global analysis of deviance, which admit an additivity property that reduces to analysis of variance decompositions in the Gaussian case. Chi-square tests based on integrated likelihood functions are proposed to formally test whether the nonparametric term is significant. Simulation results are shown to illustrate the proposed chi-square tests and to compare them with an existing procedure based on penalized splines. The methodology is applied to German Bundesbank Federal Reserve data.