Estimation and variable selection for generalized additive partial linear models
广义可加部分线性模型的估计与变量选择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：摘要研究一般半参数回归和变量选择，未明确涉及因果、面板、离散选择或结构经济模型。
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…
广义可加部分线性模型的估计与变量选择
- 研究问题
- 在广义可加部分线性模型中，如何同时估计非参数函数与线性参数，并为线性部分实施具有理论保证的变量选择？
- 方法与思路
- 作者用多项式样条平滑非参数函数，以拟似然估计线性参数，再利用非凹惩罚拟似然选择线性变量。
- 材料陈述的贡献
- 摘要称建立了参数估计量的渐近正态性与变量选择的渐近 oracle 性质，并相较核方法简化了计算。
- 阅读关注点
- 应核对模型可识别性、样条结点与维度选择、惩罚函数和调参条件，以及 oracle 性质所依赖的信号强度假设。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；摘要未列出正则条件或计算比较指标，渐近 oracle 性质不保证有限样本选择准确。
原文摘要
We study generalized additive partial linear models, proposing the use of polynomial spline smoothing for estimation of nonparametric functions, and deriving quasi-likelihood based estimators for the linear parameters. We establish asymptotic normality for the estimators of the parametric components. The procedure avoids solving large systems of equations as in kernel-based procedures and thus results in gains in computational simplicity. We further develop a class of variable selection procedures for the linear parameters by employing a nonconcave penalized quasi-likelihood, which is shown to have an asymptotic oracle property. Monte Carlo simulations and an empirical example are presented for illustration.