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：摘要直接研究二元响应回归及链接函数，属于离散响应建模方法。
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
- 如何在二元非参数回归中同时处理解释变量的非线性与交互作用、平滑参数不确定性，以及异常值的影响？
- 方法与思路
- 作者将链接函数的自变量写为加性函数及乘积交互项，以平滑样条估计、积分消去平滑参数，并采用状态空间算法。
- 材料陈述的贡献
- 摘要称，该方法兼容多种链接函数并对异常值稳健；所报告模拟中，贝叶斯估计量与两种既有方法相比表现较好。
- 阅读关注点
- 应核对异常值稳健性的模型机制、先验与交互项设定、平滑参数积分方法，以及状态空间计算和模拟比较条件。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；异常值定义、先验条件及比较细节未说明，不能外推模拟中的优势。
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.