Asymptotic Properties of Penalized Spline Estimators in Concave Extended Linear Models: Rates of Convergence
凹扩展线性模型中惩罚样条估计量的渐近性质：收敛速度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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以通用函数估计理论为主，虽列出分位数和时间序列应用，但不足以确定某一领域细分为核心。
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
凹扩展线性模型中惩罚样条估计量的渐近性质：收敛速度
- 研究问题
- 当广义似然泛函对候选函数为凹时，惩罚样条的收敛速度如何取决于样条次数、惩罚阶数、函数光滑度及调参方式？
- 方法与思路
- 作者建立一般收敛速度理论，允许条件似然、拟似然和伪似然，分析结点数量与惩罚参数的相互作用，并拓展至多维样条。
- 材料陈述的贡献
- 摘要称理论覆盖各类可行的次数、惩罚与光滑度组合，并用于回归、密度、风险函数、分位数、扩散函数及谱密度估计。
- 阅读关注点
- 应核对凹性之外的正则条件、各调参区间对应的收敛速度，以及多维结果在补充材料中的条件和不同应用的验证方式。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出具体收敛速度、条件或自适应调参结论。
原文摘要
This paper develops a general theory on rates of convergence of penalized spline estimators for function estimation when the likelihood functional is concave in candidate functions, where the likelihood is interpreted in a broad sense that includes conditional likelihood, quasi-likelihood, and pseudo-likelihood. The theory allows all feasible combinations of the spline degree, the penalty order, and the smoothness of the unknown functions. According to this theory, the asymptotic behaviors of the penalized spline estimators depends on interplay between the spline knot number and the penalty parameter. The general theory is applied to obtain results in a variety of contexts, including regression, generalized regression such as logistic regression and Poisson regression, density estimation, conditional hazard function estimation for censored data, quantile regression, diffusion function estimation for a diffusion type process, and estimation of spectral density function of a stationary time series. For multi-dimensional function estimation, the theory (presented in the Supplementary Material) covers both penalized tensor product splines and penalized bivariate splines on triangulations.