不连续曲线估计中统计推断的跳跃信息准则

@第{Xia2015JumpIC条,title={估计不连续曲线时统计推断的跳跃信息准则},author={夏志明和邱培华},journal={Biometrika},年份={2015年},体积={102},页码={397-408},网址={https://api.semanticscholar.org/CorpusID:55152457}}
提出了一种跳跃信息准则,该准则由一个测量估计回归曲线对观测数据保真度的项和一个与跳跃次数和跳跃大小有关的惩罚组成,并证明了该方法的有效性。

本文图表

基于分段B样条函数的不连续回归函数的跳跃检测和曲线估计方法

本文提出了非连续回归函数的跳检测和曲线估计方法。首先,基于B样条的回归函数的两个估计量是

回归曲线中跳跃次数的数据驱动确定

摘要在具有跳跃不连续性的非参数回归中,一个主要挑战是确定回归曲线中的跳跃数。解决该问题的大多数现有方法都基于

回归曲线的多个变化点检测

当协变量和响应之间的潜在依赖结构不明确时,回归曲线的非参数估计变得至关重要。虽然现有文献已经解决了

单指标模型的半参数跳跃保性能估计

摘要本文研究了具有不连续未知链接函数的单指标模型的估计问题。现有的改进最小平均方差估计(rMAVE)方法可以估计

基于超完备系统的Lévy自适应B样条回归

仿真研究和实际数据示例的结果表明,该模型不仅捕捉到了平滑区域,而且捕捉到了函数的跳跃和尖峰,并且该模型在几乎所有示例中都具有最佳性能。

关于多不连续函数过程

我们考虑为功能数据过程估计多个变化点的问题。在科学和金融领域有许多例子,其中兴趣的过程可能受到一些

具有平滑加性扰动的变点回归

PCpluS是融合Lasso和核平滑的组合,提出了一种非参数回归模型,其信号由检测变化点时的分段常数函数和平滑函数之和给出,并认为在这种情况下,最小化L1损失优于最小化L2损失。

标量或圆值信号的跳变最小绝对值估计

Potts估计器的实际值版本改进了最先进的求解器w.r.t.的计算时间,并且量化数据的最坏情况复杂性也得到了改善。

重尾观测中变点的比率检测

摘要本文对比率检验进行了改进,以便我们能够有效地检测到后半个观测值中发生的变化。此外,我们提出了一种新的自归一化比率检验

不连续回归函数的样条估计

摘要本文讨论了当回归函数在除有限点之外的所有点上都是光滑的时的回归函数估计。一个重要的问题是:如何生产

回归曲线及其导数的跳跃检测

提出了一种基于真回归曲线(单侧)一阶导数估计的替代跳跃检测方法,该方法在实际应用中效果良好,并扩展用于检测回归曲线的顶/谷。

基于局部线性平滑的变点估计

我们考虑光滑曲线中跳跃点的估计问题。观察值(Xi,Yi)i=1。。。。。给出了随机设计回归函数的n。我们主要关注基本情况

非参数回归中的局部多项式跳跃检测算法

我们提出了一种基于局部多项式拟合的一维跳跃检测算法,用于检测回归函数的跳跃(零阶跳跃)或导数的跳跃(一阶或高阶跳跃

使用局部线性拟合的保跳回归与平滑:一种折衷

本文讨论回归曲线的非参数估计,其中估计方法应保留曲线中可能的跳跃。在希望估计

跳跃点和回归函数值的核型估计

在固定设计的非参数回归模型中,提出了跳跃点位置的核型估计以及回归函数跳跃值的相应大小。这些

非参数回归中变点估计的带宽选择

在非参数两步估计方法中选择带宽参数的引导程序导致了一个完全由数据驱动的程序,用于估计回归函数中有限(但可能未知)数量的变化点。

基于样条估计的跳变检测方法

在一个随机设计的非参数回归模型中,基于极大值,提出了通过常数和线性样条估计方法检测回归函数跳跃的步骤

非参数回归分析中的变点

提出了另一种光滑回归模型。所需的假设比参数模型中的假设弱得多。建议的估计值也适用于检测