The Performance of Cross-Validation and Maximum Likelihood Estimators of Spline Smoothing Parameters
样条平滑参数的交叉验证与最大似然估计性能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：摘要讨论通用非参数回归的平滑参数和导数估计，没有明确涉及经济分布效应、时间序列或金融预测等方向。
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…
样条平滑参数的交叉验证与最大似然估计性能
- 研究问题
- 在样条非参数回归中，不同平滑参数选择方法对函数及其一阶导数的有限样本估计精度有何影响？
- 方法与思路
- 作者以广泛模拟比较广义交叉验证、交叉验证和边际似然，用积分平方误差的平方根评价函数与导数估计。
- 材料陈述的贡献
- 摘要称，使用五次样条的边际似然通常表现更好且计算更快，因此被作者视为其他平滑参数选择方法的有吸引力替代。
- 阅读关注点
- 应核对样条阶数与次数的术语对应、模拟函数和噪声设定、误差指标，以及运行时间比较的实现条件。
- 阅读边界
- 摘要同时使用样条阶数与次数表述，需核对定义；未提供模拟数值，不能推断普遍优越性，索引版本及刊本变化未知。
原文摘要
An important aspect of nonparametric regression by spline smoothing is the estimation of the smoothing parameter. In this article we report on an extensive simulation study that investigates the finite-sample performance of generalized cross-validation, cross-validation, and marginal likelihood estimators of the smoothing parameter in splines of orders 2 and 3. The performance criterion for both the estimate of the function and its first derivative is measured by the square root of integrated squared error. Marginal likelihood using splines of degree 5 emerges as an attractive alternative to the other estimators in that it usually outperforms them and is also faster to compute.