Additive Splines for Partial Least Squares Regression
用于偏最小二乘回归的加性样条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：摘要涉及一般非线性多响应回归及化学、生理学应用，没有足够文本依据归入给定的经济计量细分。
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
用于偏最小二乘回归的加性样条
- 研究问题
- 如何通过对预测变量进行非线性变换，将偏最小二乘回归扩展为多响应加性模型，并保持可实施的统计与计算方案？
- 方法与思路
- 作者使用样条函数变换预测变量，构造加性样条偏最小二乘方法，并介绍其统计和计算方面的实现。
- 材料陈述的贡献
- 摘要提出偏最小二乘回归的非线性推广，并通过化学与生理学应用展示该方法相对其他偏最小二乘方法的表现。
- 阅读关注点
- 应核对样条基与复杂度选择、加性结构和多响应处理，并检查计算步骤及应用比较所采用的评价标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；调参规则、理论性质及比较数值未说明，不能推断刊本变化或普遍优势。
原文摘要
This article introduces a generalization of the partial least squares regression (PLS). Transforming the predictors by means of spline functions is a useful way to extend PLS into nonlinearity and to obtain a multiresponse additive model. We describe both statistical and computational aspects of this new method, termed additive splines partial least squares (ASPLS). The performance of ASPLS compared with other PLS methods is illustrated with chemical and physiological applications.