Estimation and Hypothesis Testing of Derivatives in Smoothing Spline ANOVA Models
平滑样条 ANOVA 模型中导数的估计与假设检验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：摘要属于非参数平滑样条估计与假设检验的统计方法论，未涉及所给微观、宏观或金融领域细分的具体问题，故不选择任何领域细分。
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…
平滑样条 ANOVA 模型中导数的估计与假设检验
- 研究问题
- 摘要称，研究问题是在平滑样条 ANOVA 框架下如何估计多元回归函数的导数，并检验某个导数是否为零。
- 方法与思路
- 作者提出基于 plug-in 的核岭回归估计量来估计导数；在一般随机设计下建立 L∞ 收敛率，在协变量均匀分布时给出 L2 收敛率的尖锐上界与极小极大下界，并提出检验导数是否为零的假设检验程序及自助法算法。
- 材料陈述的贡献
- 摘要称，所提估计量在一般随机设计下具有 L∞ 收敛率，均匀设计下刻画了 L2 收敛率的上界与极小极大下界；检验程序在原假设下达到正确水平，在局部备择下渐近有效，自助法算法具有一致性，模拟与实证应用支持其有效性。
- 阅读关注点
- 阅读全文时应核对：估计量的具体构造与调参方式、随机设计与均匀设计假设的具体条件、收敛率结论所依赖的正则性条件、检验统计量的形式与极限分布、局部备择的速率设定，以及自助法一致性的证明细节。
- 阅读边界
- 仅凭摘要无法判断估计与检验在有限样本下的表现、调参敏感性、对设计假设偏离的稳健性，也无法核实模拟与实证结果的具体数值；摘要未说明真实数据来源与检验的实际功效。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Within the framework of smoothing spline ANOVA, we propose a plug-in kernel ridge regression estimator to estimate the derivatives of the underlying multivariate regression function. We first establish an $L_\infty$ convergence rate of the proposed estimator under general random designs. When the covariates are uniformly distributed, we provide a in-depth analysis that includes a sharp upper bound and the minimax lower bound of the $L_2$ convergence rate. Additionally, motivated by a wide range of applications, we propose a hypothesis testing procedure to examine whether a derivative is zero. Theoretical results demonstrate that the proposed testing procedure achieves the correct size under the null hypothesis and is asymptotically powerful under local alternatives. For ease of use, we also develop an associated bootstrap algorithm to construct the rejection region and calculate p-value, and the consistency of the proposed algorithm is established. Simulation studies using synthetic data and an application to a real-world dataset confirm the effectiveness of our approach.