매끄러운 백피팅(smooth backfitting)은 다양한 상황에서 가법 회귀(additive regression) 모형에 대한 강력한 비모수 추정 기법으로 제안되고 그 효용이 입증되어 왔다. 기존 연구들은 공변량(covariate)의 수가 중간 정도인 경우에 한정되어 있으며, 고차원 설정(high dimensional settings)에는 직접적으로 적용할 수 없다. 본 논문에서는 고차원 가법 모형을 위한 매끄러운 백피팅의 아이디어에 기반한 새로운 커널 추정기(kernel estimator)를 개발한다. 우리는 functional Lasso의 아이디어와 매끄러운 백피팅 기법을 결합한 새로운 페널화(penalization) 방식을 제안한다. 또한 functional Lasso smooth backfitting 추정의 이론적 성질을 고찰한다. 제안된 방법의 구현을 위해, 절단된 투영 연산자(truncated projection operator)에 의해 반복이 정의되는 간단한 반복 알고리즘을 설계한다. 이 알고리즘은 매끄러운 백피팅 알고리즘의 투영 기반 반복에 더해 임계값 설정(thresholding) 연산자 1개만 추가한다. 나아가 제안된 추정기의 보정(debiased) 버전과 구현 세부사항을 제시하고, 통계적 추론을 위한 그 이론적 성질을 분석한다. 모의실험과 실제 데이터 분석을 통해 방법들의 유한 표본 성능(finite sample performance)을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.