| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第6-11页 |
| 1.1 引言 | 第6-8页 |
| 1.2 函数线性回归模型中的变量选择研究现状 | 第8-9页 |
| 1.3 本文研究内容 | 第9-11页 |
| 2 函数线性回归模型中的若干变量选择方法 | 第11-14页 |
| 2.1 基于Group SCAD的惩罚似然方法 | 第11-12页 |
| 2.2 基于Sparsity-Smoothness的惩罚最小二乘方法 | 第12-13页 |
| 2.3 针对惩罚最小二乘方法的统一框架 | 第13-14页 |
| 3 函数线性回归模型中基于相关性学习的变量选择 | 第14-24页 |
| 3.1 正交B-样条基逼近 | 第14页 |
| 3.2 边际回归 | 第14-15页 |
| 3.3 可靠筛选 | 第15-21页 |
| 3.3.1 可靠筛选性质 | 第15-20页 |
| 3.3.2 模型选择的相合性 | 第20-21页 |
| 3.4 迭代的可靠筛选 | 第21-24页 |
| 3.4.1 迭代的可靠筛选算法 | 第21-22页 |
| 3.4.2 Group SCAD和Group MCP的算法 | 第22-24页 |
| 4 数值实验 | 第24-29页 |
| 4.1 模拟实例 | 第24-26页 |
| 4.2 实证分析 | 第26-29页 |
| 5 总结与展望 | 第29-30页 |
| 致谢 | 第30-31页 |
| 参考文献 | 第31-34页 |
| 附录 | 第34页 |
| A. 作者在攻读硕士学位期间发表或已完成的论文及专利 | 第34页 |
