Optimal Smoothing in Single-Index Models
单指标模型中的最优平滑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：摘要明确提及计量经济学的离散选择应用，并以二元响应模型检验带宽规则，直接支持离散选择分类。
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…
单指标模型中的最优平滑
- 研究问题
- 单指标模型中，为使指标方向向量达到根号样本量一致性，应怎样选择平滑程度？这与投影寻踪回归有何不同？
- 方法与思路
- 作者比较单指标模型与投影寻踪回归的平滑需求，提出适用于单指标模型的经验带宽选择规则，并用小规模模拟和二元响应应用考察。
- 材料陈述的贡献
- 摘要称两类模型虽都可实现方向向量的根号样本量一致估计，但所需平滑程度明显不同，并据此给出经验带宽规则。
- 阅读关注点
- 应核对连接函数的光滑性类别、方向参数的归一化与估计条件，以及带宽规则的构造和二元响应应用中的实际表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体带宽阶数、效率条件和模拟数值未提供，题名中的最优不能作无条件理解。
原文摘要
Single-index models generalize linear regression. They have applications to a variety of fields, such as discrete choice analysis in econometrics and dose response models in biometrics, where high-dimensional regression models are often employed. Single-index models are similar to the first step of projection pursuit regression, a dimension-reduction method. In both cases the orientation vector can be estimated root-n consistently, even if the unknown univariate function (or nonparametric link function) is assumed to come from a large smoothness class. However, as we show in the present paper, the similarities end there. In particular, the amount of smoothing necessary for root-n consistent orientation estimation is very different in the two cases. We suggest a simple, empirical rule for selecting the bandwidth appropriate to single-index models. This rule is studies in a small simulation study and an application in binary response models.