Projection estimation in multiple regression with application to functional ANOVA models
多元回归的投影估计及其在函数型 ANOVA 模型中的应用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：摘要研究一般非参数回归、投影逼近和函数分解，未明确涉及所列因果、结构估计、宏观或金融细分问题。
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
多元回归的投影估计及其在函数型 ANOVA 模型中的应用
- 研究问题
- 在回归函数具有主效应和选定交互项结构时，最小二乘投影估计能达到怎样的收敛速度，并能否缓解维度问题？
- 方法与思路
- 作者用一般函数线性空间及其张量积构造符合 ANOVA 结构的逼近空间，研究最小二乘投影及各分量估计的收敛性质。
- 材料陈述的贡献
- 摘要称，低阶 ANOVA 结构可实现降维，各分量估计具有一致性；结构误设时，投影估计收敛到该形式下的最佳逼近。
- 阅读关注点
- 应核对收敛速度依赖的光滑性与设计条件、ANOVA 分解的定义，以及最佳逼近所用的范数和分量识别方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体速率和条件未列出，不能认为任意回归函数都能借助低阶结构克服维度灾难。
原文摘要
A general theory on rates of convergence of the least-squares projection estimate in multiple regression is developed. The theory is applied to the functional ANOVA model, where the multivariate regression function is modeled as a specified sum of a constant term, main effects (functions of one variable) and selected interaction terms (functions of two or more variables). The least-squares projection is onto an approximating space constructed from arbitrary linear spaces of functions and their tensor products respecting the assumed ANOVA structure of the regression function. The linear spaces that serve as building blocks can be any of the ones commonly used in practice: polynomials, trigonometric polynomials, splines, wavelets and finite elements. The rate of convergence result that is obtained reinforces the intuition that low-order ANOVA modeling can achieve dimension reduction and thus overcome the curse of dimensionality. Moreover, the components of the projection estimate in an appropriately defined ANOVA decomposition provide consistent estimates of the corresponding components of the regression function. When the regression function does not satisfy the assumed ANOVA form, the projection estimate converges to its best approximation of that form.