Adaptive penalized splines for data smoothing

از طریق اصل رگرسیون محدود، از طریق داده های محرمانه تطبیق شده از طریق حلقه های محرمانه محاسبه می شود. یک بردار محلی محرمانه بر اساس محدوده های محلی داده ها تولید می شود و به ماتریس مجاز کلاسیک جریمه شده اسپلیانس ها اضافه می شود که به طور قابل توجهی تطبیقی ​​محلی مدل را برای ناهمگونی داده بهبود می بخشد. پیچیدگی الگوریتم و شبیه سازی مورد مطالعه قرار گرفته است. نتایج نشان می دهد که اسپلین های مجاز جغرافیایی تطبیقی ​​نسبت به اسپیلین های صاف، فیلتر کردن روند خطی 1 و اسپلیندهای مجاز کلاسیک در تخمین توابع با صافی بودن یکنواخت بهتر عمل می کنند.