Structured Functional Additive Regression in Reproducing Kernel Hilbert Spaces
再生核希尔伯特空间中的结构化函数型加性回归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：摘要研究通用函数型回归；函数主成分本身不足以支持宏观或金融因子模型分类。
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…
关注这篇论文的作者
再生核希尔伯特空间中的结构化函数型加性回归
- 研究问题
- 在使用函数型预测变量的非线性加性回归中，如何同时选择相关加性成分并估计其函数，以获得稀疏模型结构？
- 方法与思路
- 作者在再生核希尔伯特空间中建立正则化框架，利用函数主成分，通过鼓励加性成分稀疏的惩罚最小二乘完成选择与估计。
- 材料陈述的贡献
- 摘要称，该框架便于实现和理论分析，研究了收敛速度等性质，并以模拟研究及真实数据应用展示经验表现。
- 阅读关注点
- 应核对函数主成分截断、惩罚形式与调参方式、收敛速度的条件，以及理论是否支持准确识别非零加性成分。
- 阅读边界
- 仅据 Crossref 摘要；具体收敛率、选择一致性、应用数据及比较结果未说明，不能推断相对其他方法的优势或刊本变化。
原文摘要
Summary Functional additive models provide a flexible yet simple framework for regressions involving functional predictors. The utilization of a data-driven basis in an additive rather than linear structure naturally extends the classical functional linear model. However, the critical issue of selecting non-linear additive components has been less studied. In this work, we propose a new regularization framework for structure estimation in the context of reproducing kernel Hilbert spaces. The approach proposed takes advantage of functional principal components which greatly facilitates implementation and theoretical analysis. The selection and estimation are achieved by penalized least squares using a penalty which encourages the sparse structure of the additive components. Theoretical properties such as the rate of convergence are investigated. The empirical performance is demonstrated through simulation studies and a real data application.