本文推导了具有高维稀疏向量和光滑函数分量的部分线性可加模型中参数和非参数分量的极小极大估计率。欧氏分量的极小极大下界是典型的稀疏估计率，与非参数平滑指数无关。然而，每个分量函数的极小极大下界显示了参数分量的维数和稀疏性与相关非参数分量的平滑性之间的相互作用。事实上，只要非参数分量的平滑度或参数分量的维数足够大，平滑非参数估计的最小最大风险就可以降低到稀疏估计率。在上述设置中，我们证明了惩罚最小二乘估计量几乎可以达到极小极大下界。