Empirical Smoothing Parameter Selection in Adaptive Estimation
自适应估计中的经验平滑参数选择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：摘要研究一般模型中的自适应估计与平滑选择，未明确关联所列经济或金融细分领域。
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
自适应估计中的经验平滑参数选择
- 研究问题
- 在对称位置模型和一般线性模型的自适应估计中，如何由数据选择平滑程度，并保持估计量的自适应性质？
- 方法与思路
- 作者用线性 B 样条估计未知密度的得分函数，提出经验方法选择结点位置和数量，并分析选择方法的渐近界。
- 材料陈述的贡献
- 摘要称经验选择平滑参数后的估计仍具自适应性，计算较简便，并在模拟中相较若干已有估计表现良好。
- 阅读关注点
- 应核对自适应性的定义、密度与样条结点所需条件，以及经验选择步骤、渐近界和模拟比较使用的具体基准。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体选择准则、正则条件及模拟数值未说明，不能确认一般性能优势。
原文摘要
We provide a solution to the smoothing parameter selection problem involved in the construction of adaptive estimates for the symmetric location model and the general linear model. Linear $B$-splines are used to give a simple form of the estimate of the score function of the underlying density. New empirical methods are proposed to locate the knots optimally and to select the number of knots. We also give asymptotic bounds for the empirical selection method and show that an estimate with an empirically selected smoothing parameter is adaptive. Our estimates are easy to compute and possess useful computational features. Simulation studies reveal that our estimates perform well in comparison with some well-known estimates.