Spline Smoothing with an Estimated Order Parameter
阶数参数可估计的平滑样条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：摘要属于一般非参数回归和平滑参数选择，未给出所列领域细分的直接证据。
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
阶数参数可估计的平滑样条
- 研究问题
- 平滑样条通常预先固定阶数；若同时估计阶数和平滑参数，广义交叉验证与修正极大似然的回归估计表现如何？
- 方法与思路
- 作者采用阶数参数连续化的模型，比较广义交叉验证和修正极大似然对阶数及平滑参数的估计，并辅以小型模拟。
- 材料陈述的贡献
- 摘要称，对部分随机和固定回归函数，修正极大似然具有更好的渐近估计表现，但有限样本可能偏离渐近判断。
- 阅读关注点
- 应核对连续阶数的定义、比较采用的损失准则，以及优势成立的函数类别和模拟中渐近结论失准的情形。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；不能把特定函数下的渐近优势推广为普遍优势，具体条件与数值未说明。
原文摘要
Smoothing splines of a fixed order are commonly used as nonparametric regression estimates. The only parameter, then, that needs to be estimated is the smoothing parameter, which is often estimated using some form of cross validation. This work allows the order of the smoothing spline to be estimated using a model in which the order parameter is continuous. Within this setting, generalized cross validation and modified maximum likelihood estimates of the order and smoothing parameters are compared. I show that there are both stochastic and fixed regression functions for which modified maximum likelihood yields asymptotically better estimates of the regression function than generalized cross validation. These results are supported by a small simulation study, although there are functions for which the asymptotic results can be misleading even for fairly large sample sizes.