Online Smooth Backfitting for Generalized Additive Models
广义可加模型的在线平滑回拟合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：在线更新与广义可加模型属于通用估计方法，摘要未明确研究时间序列预测或其他所列方向。
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…
广义可加模型的在线平滑回拟合
- 研究问题
- 在数据持续到达时，如何在线更新广义可加模型的非参数估计，并刻画估计精度与计算成本之间的权衡？
- 方法与思路
- 作者结合局部线性估计与平滑回拟合，用适当阶数的展开近似非线性方程，存储系数并通过动态候选带宽方法在线更新。
- 材料陈述的贡献
- 摘要称，研究同时分析统计收敛与算法收敛，并以相对统计效率和计算成本建立性能权衡框架，配有模拟及真实数据示例。
- 阅读关注点
- 应核对展开误差的控制、存储摘要量的更新规则、候选带宽选择，以及统计效率和计算成本各自的定义与比较基准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未提供收敛条件、具体复杂度或推广到一般非线性优化的限制。
原文摘要
We propose an online smoothing backfitting method for generalized additive models coupled with local linear estimation. The idea can be extended to general nonlinear optimization problems. The strategy is to use an appropriate-order expansion to approximate the nonlinear equations and store the coefficients as sufficient statistics which can be updated in an online manner by the dynamic candidate bandwidth method. We investigate the statistical and algorithmic convergences of the proposed method. By defining the relative statistical efficiency and computational cost, we further establish a framework to characterize the tradeoff between estimation performance and computation performance. Simulations and real data examples are provided to illustrate the proposed method and algorithm. Supplementary materials for this article are available online.