A Comparison of GCV and GML for Choosing the Smoothing Parameter in the Generalized Spline Smoothing Problem
广义样条平滑中选择平滑参数的 GCV 与 GML 比较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：摘要比较一般函数平滑的参数选择与预测误差，没有时间序列或经济收益预测对象，不足以归入所列预测细分。
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…
关注这篇论文的作者
广义样条平滑中选择平滑参数的 GCV 与 GML 比较
- 研究问题
- 在广义样条平滑中，广义交叉验证与广义最大似然选择的平滑参数，对预测均方误差有何影响，差异如何依赖函数光滑性？
- 方法与思路
- 作者从部分非正常先验推导广义最大似然的平滑参数估计，以预测均方误差为准则，通过解析结果和蒙特卡洛比较两种方法。
- 材料陈述的贡献
- 摘要称光滑情形下 GML 相对 GCV 平滑不足且误差收敛较慢，粗糙情形渐近相近；光滑情形的模拟优势随样本量而异。
- 阅读关注点
- 应核对光滑与粗糙的正式定义、预测误差的计算方式，以及模拟的噪声和函数设定，避免把特定情形的比较推广为普遍优势。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；小样本结果有差异，摘要未提供完整模拟设计，不能认定 GCV 在所有设置下更优。
原文摘要
The partially improper prior behind the smoothing spline model is used to obtain a generalization of the maximum likelihood (GML) estimate for the smoothing parameter. Then this estimate is compared with the generalized cross validation (GCV) estimate both analytically and by Monte Carlo methods. The comparison is based on a predictive mean square error criteria. It is shown that if the true, unknown function being estimated is smooth in a sense to be defined then the GML estimate undersmooths relative to the GCV estimate and the predictive mean square error using the GML estimate goes to zero at a slower rate than the mean square error using the GCV estimate. If the true function is "rough" then the GCV and GML estimates have asymptotically similar behavior. A Monte Carlo experiment was designed to see if the asymptotic results in the smooth case were evident in small sample sizes. Mixed results were obtained for $n = 32$, GCV was somewhat better than GML for $n = 64$, and GCV was decidedly superior for $n = 128$. In the $n = 32$ case GCV was better for smaller $\sigma^2$ and the comparison close for larger $\sigma^2$. The theoretical results are shown to extend to the generalized spline smoothing model, which includes the estimate of functions given noisy values of various integrals of them.