Efficient estimation and computation for the generalised additive models with unknown link function
未知连接函数广义可加模型的有效估计与计算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：摘要研究通用广义可加模型，二元或有序响应不足以确认离散选择研究，贷款应用也未直接涉及所列金融方向。
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…
未知连接函数广义可加模型的有效估计与计算
- 研究问题
- 当常用连接函数缺乏依据或不适合数据时，如何在广义可加模型中估计未知连接函数，并兼顾统计效率与计算可行性？
- 方法与思路
- 作者提出适用于二元、连续与有序响应的未知连接函数模型，研究估计量及其线性泛函，并设计估计更新可表示为响应线性函数的迭代算法。
- 材料陈述的贡献
- 摘要称估计量一致且渐近正态，其线性泛函具有半参数效率；模拟展示估计表现，并应用于中国贷款偿还数据。
- 阅读关注点
- 应核对连接函数与可加分量如何分别识别、效率结论对应哪些线性泛函，以及迭代算法的实现、收敛和不同响应类型的处理。
- 阅读边界
- 仅依据所给出版社摘要，无法判断识别归一化、效率成立条件与算法收敛保证；贷款应用的具体发现和数值结果未说明。
原文摘要
The generalised additive models (GAM) are widely used in data analysis. In the application of the GAM, the link function involved is usually assumed to be a commonly used one without justification. Motivated by a real data example with binary response where the commonly used link function does not work, we propose a generalised additive models with unknown link function (GAMUL) for various types of data, including binary, continuous and ordinal. The proposed estimators are proved to be consistent and asymptotically normal. Semiparametric efficiency of the estimators is demonstrated in terms of their linear functionals. In addition, an iterative algorithm, where all estimators can be expressed explicitly as a linear function of Y, is proposed to overcome the computational hurdle for the GAM type model. Extensive simulation studies conducted in this paper show the proposed estimation procedure works very well. The proposed GAMUL are finally used to analyze a real dataset about loan repayment in China, which leads to some interesting findings.