Improper Priors, Spline Smoothing and the Problem of Guarding Against Model Errors in Regression
非正常先验、样条平滑与回归模型误差防范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：摘要讨论通用回归平滑、贝叶斯等价关系与模型偏离，未明确落入所列经济计量细分方向。
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
非正常先验、样条平滑与回归模型误差防范
- 研究问题
- 当真实回归函数可能不在给定函数的线性张成空间内时，如何用样条平滑量化并约束模型偏离，降低设定错误影响？
- 方法与思路
- 作者建立样条及广义样条平滑与部分非正常先验下贝叶斯估计的等价关系，从样条理论构造偏离度量并由数据估计。
- 材料陈述的贡献
- 摘要称等价关系支持样条平滑用于防范回归模型偏离，提出基于数据估计的偏离约束，并讨论部分收敛结果与计算技巧。
- 阅读关注点
- 应核对非正常先验下后验定义的条件、偏离度量和约束的构造，以及收敛结果适用的函数空间与调节方式。
- 阅读边界
- 仅据所给Crossref摘要；摘要未说明先验、偏离度量或收敛条件，不能认定样条平滑能处理所有模型错误或保证后验适定。
原文摘要
Summary Spline and generalized spline smoothing is shown to be equivalent to Bayesian estimation with a partially improper prior. This result supports the idea that spline smoothing is a natural solution to the regression problem when one is given a set of regression functions but one also wants to hedge against the possibility that the true model is not exactly in the span of the given regression functions. A natural measure of the deviation of the true model from the span of the regression functions comes out of the spline theory in a natural way. An appropriate value of this measure can be estimated from the data and used to constrain the estimated model to have the estimated deviation. Some convergence results and computational tricks are also discussed.