Local Polynomial Kernel Regression for Generalized Linear Models and Quasi-Likelihood Functions
广义线性模型与拟似然中的局部多项式核回归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：摘要是通用非参数回归方法，未明确对应所列离散选择或其他领域细分。
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…
广义线性模型与拟似然中的局部多项式核回归
- 研究问题
- 如何把核加权局部多项式拟合推广到广义线性模型及拟似然框架，并分析其边界表现、渐近分布和带宽选择？
- 方法与思路
- 作者将局部多项式核拟合用于广义线性模型和拟似然，研究估计量的边界性质，并推导支持带宽选择扩展的渐近分布。
- 材料陈述的贡献
- 摘要称局部多项式在普通回归中的便利性质及相对传统核回归的边界优势可延续到新框架，并提供渐近分布结果。
- 阅读关注点
- 应核对局部拟合目标、链接与方差函数条件、边界偏差以及渐近分布，并查看带宽选择如何具体实现和验证。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未列明正则条件、带宽算法细节或有限样本优势范围。
原文摘要
We investigate the extension of the nonparametric regression technique of local polynomial fitting with a kernel weight to generalized linear models and quasi-likelihood contexts. In the ordinary regression case, local polynomial fitting has been seen to have several appealing features in terms of intuitive and mathematical simplicity. One noteworthy feature is the better performance near the boundaries compared to the traditional kernel regression estimators. These properties are shown to carry over to generalized linear model and quasi-likelihood settings. We also derive the asymptotic distributions of the proposed class of estimators that allow for straightforward interpretation and extensions of state-of-the-art bandwidth selection methods.