Least-Squares Fitting of a Polynomial Constrained to be Either Non-Negative, Non-Decreasing or Convex
非负、单调或凸约束下的多项式最小二乘拟合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：摘要讨论通用形状约束拟合与增长数据，未提供对应所列经济计量细分领域的充分证据。
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
非负、单调或凸约束下的多项式最小二乘拟合
- 研究问题
- 如何对给定数据进行多项式最小二乘拟合，使拟合曲线在整个闭区间内满足非负、单调或凸性等形状约束？
- 方法与思路
- 作者利用问题与二次规划的联系构造算法，并讨论向一般线性模型及其他约束推广；约束覆盖区间内所有点。
- 材料陈述的贡献
- 摘要称算法至多三步终止，所需步数取决于多项式次数与数据；两步以内易于实施，三步情形更复杂。
- 阅读关注点
- 核对唯一解与算法终止结论的适用条件、每一步的实际计算量，以及如何保证整个区间而非仅观测点满足约束。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明具体算法、推广条件及数值表现，三步终止不能直接解释为计算成本很低。
原文摘要
Summary An algorithm is provided to fit the (unique) least-squares polynomial Y(x) to n data points (x, y) subject to a constraint that it be either non-negative, non-positive, non-decreasing, non-increasing, convex or concave at all points x in a closed interval I. Some generalization to a general linear model can be handled, and certain alternative constraints can also be dealt with. The problem is close to the classical problem of Quadratic Programming (Q.P.), and some of the known results in Q.P. may be used in fitting the curve. The algorithm terminates in at most three steps. The number of steps depends on the degree of the polynomial Y(x) and the data. When no more than two steps are required, the algorithm is very easy to carry out but when three steps are necessary, it becomes more difficult. A useful statistical application is the fitting of a polynomial to growth data. In that case, we might like the fitted curve to be non-decreasing over the range of interest.