A Bayesian Approach to Robust Binary Nonparametric Regression
稳健二元非参数回归的贝叶斯方法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：摘要明确研究二元响应与链接函数，直接涉及离散结果回归，但未提供经济选择行为的结构解释。
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
稳健二元非参数回归的贝叶斯方法
- 研究问题
- 对二元响应进行非参数回归时，如何灵活刻画解释变量及其交互作用，同时处理异常值、平滑参数不确定性和计算成本？
- 方法与思路
- 作者将链接函数的自变量设为加性函数及乘性交互，以平滑样条估计并积分消去平滑参数，采用稳健处理和状态空间算法。
- 材料陈述的贡献
- 摘要称，该框架支持多种链接函数并具高效算法；所报告的大量模拟显示其表现良好，与两种已有估计量相比具有优势。
- 阅读关注点
- 应核对异常值稳健性的具体机制、交互项设定、平滑参数积分所用先验，以及状态空间计算和模拟比较的条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未定义稳健性的保证或给出数值结果，所述模拟优势不能视为普遍优越性。
原文摘要
This article presents a Bayesian approach to binary nonparametric regression that assumes that the argument of the link is an additive function of the explanatory variables and their multiplicative interactions. The article makes the following contributions. First, a comprehensive approach is presented in which the function estimates are smoothing splines with the smoothing parameters integrated out and the estimates are made robust to outliers. Second, the approach can handle a wide range of link functions. Third, efficient state-space-based algorithms are used to carry out the computations. Fourth, an extensive set of simulations is carried out, which show that the Bayesian estimator works well and compares favorably to two estimators that have recently been proposed and used in practice.