Empirical Functionals and Efficient Smoothing Parameter Selection
经验泛函与高效平滑参数选择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：摘要涉及密度、回归函数及白噪声信号的一般平滑参数选择，未明确对应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
经验泛函与高效平滑参数选择
- 研究问题
- 为何使曲线估计平方误差最小的平滑参数难以估计，能否刻画其信息下界并构造达到该下界的高效选择方法？
- 方法与思路
- 作者将目标经验泛函随机分解为与未知曲线的光滑二次泛函有关的部分，据此建立非参数信息界并构造渐近有效估计。
- 材料陈述的贡献
- 摘要称，所构造估计达到信息界且比交叉验证变异更小；模拟提示在中等样本量下，平方误差表现可能得到改善。
- 阅读关注点
- 应核对平方误差准则和目标平滑参数的定义、随机分解与信息界的条件，以及不同曲线估计问题中的实现和比较设定。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确定具体收敛率或有限样本改善幅度；模拟陈述带有可能性，不保证每种样本和曲线都优于交叉验证。
原文摘要
SUMMARY A striking feature of curve estimation is that the smoothing parameter ĥ 0, which minimizes the squared error of a kernel or smoothing spline estimator, is very difficult to estimate. This is manifest both in slow rates of convergence and in high variability of standard methods such as cross-validation. We quantify this difficulty by describing nonparametric information bounds and exhibit asymptotically efficient estimators of ĥ 0 that attain the bounds. The efficient estimators are substantially less variable than cross-validation (and other current procedures) and simulations suggest that they may offer improvements at moderate sample sizes, at least in terms of minimizing the squared error. The key is a stochastic decomposition of the empirical functional ĥ 0 in terms of a smooth quadratic functional of the unknown curve. Examples include the estimation of densities, regression functions and continuous signals in Gaussian white noise.