Automatic Smoothing of Regression Functions in Generalized Linear Models
广义线性模型中回归函数的自动平滑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：摘要研究通用广义线性模型的非参数平滑，所给应用也不足以对应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…
广义线性模型中回归函数的自动平滑
- 研究问题
- 在广义线性模型中使用惩罚似然估计非参数回归函数时，如何根据数据自动选择平滑程度，并评价平滑选择的表现？
- 方法与思路
- 作者提出广义交叉验证程序选择平滑程度，以渐近论证和数值模拟考察加权均方误差，并给出医学与园艺应用示例。
- 材料陈述的贡献
- 摘要称，该选择程序在加权均方误差标准下表现良好，并为广义线性模型的图形化建模与模型检查增加了一种工具。
- 阅读关注点
- 应核对惩罚项、平滑函数空间与交叉验证准则，以及加权误差的定义、渐近条件和不同响应分布下的模拟表现。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明适用的响应族、具体正则条件或比较幅度，不能视为通用最优平滑程序。
原文摘要
We consider the penalized likelihood method for estimating nonparametric regression functions in generalized linear models (Nelder and Wedderburn 1972) and present a generalized cross-validation procedure for empirically assessing an appropriate amount of smoothing in these estimates. Asymptotic arguments and numerical simulations are used to show that the generalized cross-validatory procedure preforms well from the point of view of a weighted mean squared error criterion. The methodology adds to the battery of graphical tools for model building and checking within the generalized linear model framework. Included are two examples motivated by medical and horticultural applications.