Estimation in additive models with highly or nonhighly correlated covariates
高度或非高度相关协变量下的加性模型估计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：摘要明确将利率预测列为研究动机，提供预测方向的应用依据，但主体方法仍是一般加性模型估计。
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…
高度或非高度相关协变量下的加性模型估计
- 研究问题
- 在协变量高度相关或相关程度较低的情况下，如何非参数估计加性模型各分量，并服务于微阵列标准化和利率预测？
- 方法与思路
- 作者分别提出面向高度相关协变量的积分估计和面向非高度相关协变量的合并反向拟合估计，并建立渐近正态性。
- 材料陈述的贡献
- 摘要称两种新方法覆盖不同协变量相关情形，利用模拟展示有限样本行为，并通过真实数据例子说明方法的应用价值。
- 阅读关注点
- 应核对高度相关的形式化定义、分量可识别条件及两种算法的设置，并检查利率预测应用的评价指标和验证设计。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；摘要未说明相关程度阈值、预测结果或比较基准，不能据此认定方法提高了预测精度。
原文摘要
Motivated by normalizing DNA microarray data and by predicting the interest rates, we explore nonparametric estimation of additive models with highly correlated covariates. We introduce two novel approaches for estimating the additive components, integration estimation and pooled backfitting estimation. The former is designed for highly correlated covariates, and the latter is useful for nonhighly correlated covariates. Asymptotic normalities of the proposed estimators are established. Simulations are conducted to demonstrate finite sample behaviors of the proposed estimators, and real data examples are given to illustrate the value of the methodology.