Robust Locally Weighted Regression and Smoothing Scatterplots
稳健局部加权回归与散点图平滑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：稳健局部加权回归与散点图平滑属于非参数估计/统计基础。
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
稳健局部加权回归与散点图平滑
- 研究问题
- 摘要讨论如何通过平滑曲线增强散点图所包含的视觉信息，同时避免异常观测扭曲平滑结果。核心问题是在保留局部变化的同时，构造便于观察数据关系的拟合值，并兼顾视觉、计算与统计方面的要求。
- 方法与思路
- 摘要采用局部多项式的加权最小二乘拟合：观测的横坐标越接近目标位置，权重越大，距离较远则权重较小。另加入稳健拟合程序，防止异常点过度影响平滑值；具体权重函数和计算步骤未在摘要中展开。
- 材料陈述的贡献
- 摘要介绍了一种兼顾局部拟合与异常点防护的散点图平滑方法，并讨论其视觉、计算及统计问题。文章通过包括铅中毒数据在内的若干例子展示方法用途，为探索数据关系提供直观的分析工具。
- 阅读关注点
- 阅读时建议核对邻域如何选取、距离权重怎样定义、多项式次数如何决定，以及稳健程序依据什么信息降低异常点的影响。再观察边界位置和数据稀疏区域的拟合表现，并比较不同设置对图形解释的影响。 阅读前先备知识：建议先掌握普通与加权最小二乘、多项式回归、残差和异常值的区别，以及非参数平滑中的邻域大小与偏差—方差权衡。这些是理解方法的背景概念，有助于区分局部形状拟合和稳健性处理各自解决的问题。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。摘要没有提供邻域比例、具体稳健权重、迭代规则或性能保证，因此不能据此给出默认参数或断言所有异常点都能被妥善处理；平滑图形所呈现的关系也不直接构成因果证据。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
The visual information on a scatterplot can be greatly enhanced, with little additional cost, by computing and plotting smoothed points. Robust locally weighted regression is a method for smoothing a scatterplot, (x i , y i ), i = 1, …, n, in which the fitted value at z k is the value of a polynomial fit to the data using weighted least squares, where the weight for (x i , y i ) is large if x i is close to x k and small if it is not. A robust fitting procedure is used that guards against deviant points distorting the smoothed points. Visual, computational, and statistical issues of robust locally weighted regression are discussed. Several examples, including data on lead intoxication, are used to illustrate the methodology.