Słownik metodologiczny · Ludzie statystyki

Grace Wahba (ur. 1934) – kim jest i co wniosła do statystyki

Grace Wahba, doktorantka Emanuela Parzena i przez ponad pół wieku profesor w Madison, zrobiła ze splajnów wygładzających narzędzie statystyczne: dała im teorię w przestrzeniach z jądrem reprodukującym i automatyczny wybór gładkości – uogólnioną walidację krzyżową (GCV). Przedstawiamy jej drogę, oś czasu i GCV policzone w R na danych z testu kasków.

Strona główna / Słownik / Grace Wahba
W skrócie: Grace Wahba (ur. 1934) – amerykańska statystyczka, emerytowana profesor University of Wisconsin–Madison, doktorantka Emanuela Parzena. Z Kimeldorfem udowodniła twierdzenie o reprezentacji dla splajnów wygładzających w RKHS, z Cravenem opisała uogólnioną walidację krzyżową (GCV) do wyboru gładkości; laureatka International Prize in Statistics 2025.

Kim jest Grace Wahba?

Grace Wahba (ur. 1934) to amerykańska statystyczka, twórczyni statystycznej teorii splajnów wygładzających i uogólnionej walidacji krzyżowej (GCV), emerytowana profesor University of Wisconsin–Madison. Licencjat uzyskała w Cornell (1956), magisterium w University of Maryland (1962), a przed doktoratem kilka lat pracowała w przemyśle (Nychka i in., 2020). W Cornell była jedyną kobietą na zajęciach z zaawansowanego rachunku różniczkowego i całkowego u Marka Kaca (Knutson, 2018).

W 1965 r. w IBM zajmowała się danymi satelitarnymi. Postawione przez nią zadanie – jak ustalić orientację satelity z obserwacji gwiazd metodą najmniejszych kwadratów – weszło do literatury jako „problem Wahby” (Knutson, 2018; Nychka i in., 2020). Doktorat obroniła w Stanford w 1966 r. pod kierunkiem Emanuela Parzena, pisząc o wielowymiarowych szeregach czasowych, i została u niego rok jako stażystka podoktorska (Wahba, 2018).

We wrześniu 1967 r. przeszła do University of Wisconsin–Madison, gdzie była pierwszą kobietą w gronie wykładowców Wydziału Statystyki. Pracowała tam 51 lat i w 2018 r. przeszła na emeryturę jako I. J. Schoenberg-Hilldale Professor (UW–Madison Department of Statistics, 2025). Wypromowała 39 doktorów. Jest członkinią National Academy of Sciences (od 2000 r.); dostała m.in. pierwszą Nagrodę Emanuela i Carol Parzenów (1994), nagrodę COPSS im. Elizabeth Scott (1996) i wykład im. Fishera (2014) (Nychka i in., 2020). W 2025 r. została laureatką International Prize in Statistics za podstawowy wkład w splajny wygładzające i ich wpływ na analizę danych i uczenie maszynowe (UW–Madison Department of Statistics, 2025).

Najważniejsze pomysły

  • Splajn wygładzający jako zadanie w RKHS (1970–1971). Splajn wygładzający minimalizuje sumę kwadratów reszt plus kara λ · ∫(f(m))² za krzywiznę. Razem z George’em Kimeldorfem zauważyła, że przestrzeń takich funkcji jest przestrzenią Hilberta z jądrem reprodukującym (RKHS), i razem udowodnili, że rozwiązanie – także ogólniejszych zadań z wypukłą funkcją straty – leży w skończenie wymiarowej przestrzeni rozpiętej na jądrach w punktach danych. To twierdzenie o reprezentacji (Wahba, 2014).
  • Uogólniona walidacja krzyżowa (GCV). Parametr λ trzeba jakoś wybrać. Walidacja krzyżowa „zostaw jedną obserwację” daje różne odpowiedzi po obrocie danych, choć informacja w nich jest ta sama. GCV usuwa ten problem: minimalizuje sumę kwadratów reszt podzieloną przez kwadrat śladu macierzy I − A(λ) (Craven i Wahba, 1978; Wahba, 2014).
  • Równoważna liczba stopni swobody. Ślad macierzy wygładzającej A(λ) nazwała równoważną liczbą stopni swobody sygnału – to „df”, które podaje dziś smooth.spline() (Wahba, 2014).
  • SS-ANOVA i uczenie maszynowe. Rozkład funkcji wielu zmiennych na efekty główne i interakcje (splajnowa ANOVA) oraz obserwacja, że maszynę wektorów nośnych można zapisać jako zadanie optymalizacji w RKHS (Wahba, 2014, 2018).
  • Książka. Spline Models for Observational Data (1990) ma ponad 8000 cytowań (Nychka i in., 2020).

Ciekawostka

Pomysł na wybór gładkości przyszedł na kolokwium. W 1974 r. Wahba siedziała obok Svantego Wolda, który przyjechał wtedy do Madison, gdy Mervyn Stone mówił o walidacji „zostaw jedną obserwację” przy wyborze stopnia wielomianu. Oboje w tej samej chwili spojrzeli na siebie z okrzykiem „Ah-Ha” (albo „Eureka” – sama nie była pewna). Godzina pracy komputera kosztowała wtedy 600 dolarów i program Wolda, który pokazał, że metoda działa, zużył cały miesięczny budżet komputerowy wydziału (Wahba, 2014).

Algorytm GCV powstał w pociągu. W 1975 r., gdy była na urlopie naukowym w Oksfordzie, a Gene Golub gościł w ETH w Zurychu, oboje zostali zaproszeni na weekend do Klosters przez Peter Huber. W pociągu z Zurychu Golub rozpisał algorytm, a ona zerkała na widoki (Wahba, 2014).

Przykład: splajn wygładzający i GCV na danych z testu kasków

Zbiór mcycle z pakietu MASS to 133 pomiary przyspieszenia głowy (w g) w symulowanym wypadku motocyklowym przy testowaniu kasków, w milisekundach od uderzenia; pomiary pochodzą z 94 różnych chwil.

GCV. Funkcja smooth.spline() domyślnie wybiera λ metodą GCV: wyszło λ = 0.000111, czyli 12.21 równoważnego stopnia swobody, a kryterium GCV = 565.45. Ten sam wynik daje wzór policzony ręcznie: (RSS/n)/(1 − df/n)² = 466.40/(1 − 12.21/133)² = 565.45.

Gładkość wybrana ręcznie. Przy 5 stopniach swobody błąd w próbie wynosi RSS/n = 1053.0, a GCV = 1137.0; przy 12 – 468.1 i 565.5; przy 40 – 376.1 i 769.4. Błąd w próbie spada z każdym dodatkowym stopniem swobody, a GCV ma minimum: dalsze zmniejszanie λ dopasowuje się do szumu (przeuczenie).

Reszty. Odchylenie standardowe reszt wynosi 3.7 g w pierwszych 14 ms, 25.4 g między 14 a 40 ms i 13.5 g później – wariancja błędu nie jest stała.

Na rysunku

Oś czasu od 1934 do 2025: 1934 urodziła się; 1956 licencjat w Cornell; 1962 magisterium w Maryland; 1965 IBM, problem Wahby; 1966 doktorat w Stanford pod kierunkiem Parzena; 1967 University of Wisconsin–Madison; 1971 twierdzenie o reprezentacji; 1978 GCV z Cravenem; 1996 Nagroda im. Elizabeth Scott; 2000 National Academy of Sciences; 2018 emerytura; 2025 International Prize in Statistics. Rodzaj zdarzenia oznacza kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wyróżnienie
Rysunek 1. Oś czasu: Grace Wahba (ur. 1934). Lata według Nychki i in. (2020), Knutson (2018), Wahby (2014, 2018), Wydziału Statystyki UW–Madison (2025) oraz dat publikacji. Rysunek: R, pakiet ggplot2.

Co widać. Gęsto zapełnione lata 1962–1971: magisterium, praca w IBM, doktorat, przeprowadzka do Madison i pierwsze prace o splajnach; potem ponad pół wieku w jednym miejscu.

Na co uważać. Artykuł o GCV ukazał się w zeszycie z grudnia 1978 r., ale bywa cytowany z rokiem 1979 (rok tomu 31 Numerische Mathematik).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z pracy Grace Wahby (ur. 1934). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Dwa panele. A: szare punkty przyspieszenia głowy w g w funkcji czasu od uderzenia w ms, od 0 do 58 ms; około 14 ms przyspieszenie gwałtownie spada do około minus 120 g przy 20 ms, potem rośnie do około plus 40 g przy 32 ms i wygasa; pomarańczowa przerywana krzywa dla 5 stopni swobody spłaszcza dołek do około minus 65 g; niebieska ciągła krzywa wybrana przez GCV (12.2 stopnia swobody) przechodzi przez dołek i szczyt; zielona krzywa z długimi kreskami dla 40 stopni swobody faluje między punktami po 35 ms. B: czarna ciągła krzywa kryterium GCV w funkcji liczby stopni swobody od 3 do 45 ma minimum przy 12.2, oznaczone niebieskim punktem, i rośnie dalej; szara przerywana krzywa RSS przez n stale maleje
Rysunek 2. Splajn wygładzający przyspieszenia głowy w symulowanym wypadku motocyklowym (zbiór mcycle z pakietu MASS): trzy stopnie gładkości (A) i kryterium GCV w funkcji równoważnej liczby stopni swobody (B). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork.

Co widać. Za gładka krzywa (5 df) „ścina” dołek i szczyt, za giętka (40 df) faluje między punktami. GCV wybiera kompromis, choć błąd w próbie (linia przerywana) zachęcałby do coraz bardziej giętkiej krzywej.

Na co uważać. GCV zakłada podobny rozrzut błędów w całym zakresie, a tu odchylenie reszt zmienia się z 3.7 do 25.4 g. Jedno λ dla całej krzywej to kompromis między spokojnym początkiem a burzliwym środkiem pomiaru.

Podpis do pracy:

Rysunek 2. Splajn wygładzający przyspieszenia głowy w funkcji czasu od uderzenia przy 5, 12.2 (wybór metodą GCV) i 40 równoważnych stopniach swobody (A) oraz kryterium GCV i średni kwadrat reszt w próbie w zależności od liczby stopni swobody (B). Uwaga. Dane: zbiór mcycle z pakietu MASS (n = 133); punkt w panelu B oznacza minimum GCV.

Gdzie spotkasz Wahbę w swojej pracy

  • Krzywe nieliniowe. Popularne funkcje R dobierają gładkość splajnów przez GCV (Wahba, 2014) – zobacz wpis o splajnach i GAM i porównaj z LOESS.
  • Kara za złożoność. Ta sama logika „dopasowanie + λ · kara” stoi za regresją grzbietową i LASSO.
  • Stopnie swobody modelu. W opisie wygładzania podaj równoważne df, a nie λ – samo λ zależy od skali zmiennej.
  • Uczenie maszynowe. Jądra w SVM i twierdzenie o reprezentacji należą dziś do podstawowych narzędzi informatyków i statystyków (Wahba, 2018).

Spory, mity i trudne strony

  • „Matka splajnów wygładzających”. Tak bywa nazywana (UW–Madison Department of Statistics, 2025), ale samych splajnów nie wymyśliła: pierwsze opisał I. J. Schoenberg w latach 40., a w Madison spotkała jego zespół (Wahba, 2018). Jej wkład to uczynienie z nich narzędzia statystycznego – z teorią w RKHS i automatycznym wyborem gładkości.
  • GCV a walidacja krzyżowa. Nie są tym samym: zwykłej walidacji „zostaw jedną” nie udało się udowodnić optymalności w ogólnym przypadku, a GCV jest jej wersją niezależną od obrotu danych; własności optymalności GCV udowodnili później m.in. Ker-Chau Li i inni (Wahba, 2014).
Przykład reprodukowalny

Splajn wygładzający i GCV w R

Kod dopasowuje splajn wygładzający z wyborem gładkości przez GCV, liczy kryterium GCV ręcznie, porównuje je z gładkością ustawioną ręcznie, sprawdza rozrzut reszt i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje, więc nie ma ziarna; liczby stopni swobody 5 i 40 w rysunku dobraliśmy ręcznie, by pokazać skrajności.

1. Splajn wygładzający i GCV: rysunek 2

Dane wejściowe: data(mcycle, package = "MASS") – 133 pomiary przyspieszenia głowy (g) w funkcji czasu od uderzenia (ms).

Co odczytać: df, λ i kryterium GCV wybrane automatycznie; to samo kryterium policzone ręcznie; tabelę RSS/n i GCV dla df od 5 do 40; odchylenie standardowe reszt w trzech okresach.

Kod R rysunku 2
# Splajn wygładzający z wyborem gładkości przez uogólnioną walidację krzyżową (GCV, Craven i Wahba 1979)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(MASS)})
kol <- c("#0072B2", "#D55E00", "#009E73")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")

data(mcycle, package = "MASS")   # przyspieszenie głowy w symulowanym wypadku motocyklowym (test kasków)
d <- mcycle
c(n = nrow(d), rozne_czasy = length(unique(d$times)))

# 1. GCV wybiera gładkość automatycznie (domyślne zachowanie smooth.spline)
fit_gcv <- smooth.spline(d$times, d$accel)
round(c(df = fit_gcv$df, GCV = fit_gcv$cv.crit), 2)
c(lambda = signif(fit_gcv$lambda, 3))

# 2. GCV policzone ręcznie: V = (RSS / n) / (1 − df / n)², gdzie df = ślad macierzy wygładzającej
gcv_recznie <- function(fit) {
  n <- nrow(d)
  rss <- sum((d$accel - predict(fit, d$times)$y)^2)
  c(RSS_n = rss / n, GCV = (rss / n) / (1 - fit$df / n)^2)
}
round(gcv_recznie(fit_gcv), 2)

# 3. Ręcznie wybrana gładkość: za mało i za dużo stopni swobody
siatka_df <- c(5, 6, 8, 10, 12, 15, 20, 30, 40)
tab <- t(sapply(siatka_df, function(k) {
  f <- smooth.spline(d$times, d$accel, df = k)
  c(df = k, lambda = f$lambda, gcv_recznie(f))
}))
signif(tab, 4)

# 4. Rozrzut reszt w trzech okresach: wariancja nie jest stała
r <- d$accel - predict(fit_gcv, d$times)$y
round(tapply(r, cut(d$times, c(0, 14, 40, 60), labels = c("0–14 ms", "14–40 ms", "40–58 ms")), sd), 1)

# Rysunek: A – trzy krzywe; B – GCV i RSS/n w funkcji liczby stopni swobody
siatka_t <- seq(min(d$times), max(d$times), length.out = 400)
krzywe <- list(df5 = smooth.spline(d$times, d$accel, df = 5), gcv = fit_gcv,
               df40 = smooth.spline(d$times, d$accel, df = 40))
etyk <- c(df5 = "df = 5 (ręcznie)", gcv = sprintf("GCV: df = %.1f", fit_gcv$df), df40 = "df = 40 (ręcznie)")
dA <- do.call(rbind, lapply(names(krzywe), function(k)
  data.frame(t = siatka_t, y = predict(krzywe[[k]], siatka_t)$y, krzywa = etyk[[k]])))
dA$krzywa <- factor(dA$krzywa, levels = etyk)
pA <- ggplot(d, aes(times, accel)) +
  geom_point(colour = "grey55", size = 1.6) +
  geom_line(data = dA, aes(t, y, colour = krzywa, linetype = krzywa), linewidth = 0.9) +
  scale_colour_manual(values = kol[c(2, 1, 3)], name = NULL) +
  scale_linetype_manual(values = c("22", "solid", "42"), name = NULL) +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2)) +
  labs(title = "A. Ta sama chmura, trzy stopnie gładkości", x = "Czas od uderzenia (ms)", y = "Przyspieszenie (g)") +
  motyw
df_gest <- seq(3, 45, by = 0.5)
dB <- do.call(rbind, lapply(df_gest, function(k) {
  w <- gcv_recznie(smooth.spline(d$times, d$accel, df = k))
  data.frame(df = k, wartosc = c(w[["GCV"]], w[["RSS_n"]]), miara = c("GCV", "RSS / n (dopasowanie w próbie)"))
}))
pB <- ggplot(dB, aes(df, wartosc, linetype = miara, colour = miara)) +
  geom_line(linewidth = 0.9) +
  geom_point(data = data.frame(df = fit_gcv$df, wartosc = fit_gcv$cv.crit), aes(df, wartosc),
             inherit.aes = FALSE, shape = 21, fill = kol[1], size = 3.2) +
  scale_colour_manual(values = c("black", "grey50"), name = NULL) +
  scale_linetype_manual(values = c("solid", "22"), name = NULL) +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2)) +
  labs(title = "B. Kryterium GCV", x = "Efektywna liczba stopni swobody (df)", y = "Średni kwadrat błędu (g²)") +
  motyw
p2 <- pA + pB + plot_layout(widths = c(1.3, 1))
p2
Wynik w R
          n rozne_czasy 
        133          94 
    df    GCV 
 12.21 565.45 
  lambda 
0.000111 
 RSS_n    GCV 
466.40 565.45 
      df    lambda  RSS_n    GCV
 [1,]  5 7.333e-03 1053.0 1137.0
 [2,]  6 2.973e-03  835.6  916.4
 [3,]  8 7.598e-04  586.2  663.6
 [4,] 10 2.723e-04  497.3  581.5
 [5,] 12 1.196e-04  468.1  565.5
 [6,] 15 4.410e-05  452.4  574.7
 [7,] 20 1.197e-05  436.6  604.9
 [8,] 30 1.668e-06  404.2  674.1
 [9,] 40 3.234e-07  376.1  769.4
 0–14 ms 14–40 ms 40–58 ms 
     3.7     25.4     13.5 

2. Oś czasu: rysunek 1

Dane wejściowe: zdarzenia z latami według cytowanych źródeł, wpisane ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Grace Wahba (ur. 1934) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1934, 1956, 1962, 1965, 1966, 1967, 1971, 1978, 1996, 2000, 2018, 2025),
  opis = c("urodziła się", "licencjat\n(Cornell)", "magisterium\n(Maryland)", "IBM: „problem\nWahby”",
           "doktorat w Stanford\n(promotor: Parzen)", "University of Wisconsin–\nMadison", "twierdzenie\no reprezentacji",
           "GCV (z Cravenem)", "Nagroda im.\nElizabeth Scott", "National Academy\nof Sciences", "emerytura",
           "International Prize\nin Statistics"),
  rodzaj = c("życie", "praca", "praca", "praca", "praca", "praca", "publikacja", "publikacja", "wyróżnienie",
             "wyróżnienie", "praca", "wyróżnienie"),
  poziom = c(0.5, -0.5, 1.3, -1.5, 0.5, -0.5, 1.3, -1.5, 0.5, -0.5, 1.3, -1.5),   # wysokość etykiety
  wyrownanie = c(0.3, 0.7, 0.8, 0.5, 0.5, 0.15, 0.2, 0.5, 0.5, 0.5, 0.5, 0.7))
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
  geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
            size = 3.1, lineheight = 0.88) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1928, 2031), breaks = seq(1940, 2020, by = 10)) +
  scale_y_continuous(limits = c(-2.4, 2.2)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (splajn wygładzający – smooth.spline() z pakietu stats; dane – pakiet MASS; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim jest Grace Wahba?

Amerykańską statystyczką (ur. 1934), absolwentką Cornell i Maryland, doktorką Stanford (1966, promotor Emanuel Parzen), od 1967 r. przez 51 lat profesor University of Wisconsin–Madison. Znana ze splajnów wygładzających i uogólnionej walidacji krzyżowej; w 2025 r. dostała International Prize in Statistics (Nychka i in., 2020; UW–Madison Department of Statistics, 2025).

Co to jest uogólniona walidacja krzyżowa (GCV)?

Kryterium wyboru parametru wygładzania λ: suma kwadratów reszt podzielona przez kwadrat śladu macierzy I − A(λ), czyli (RSS/n)/(1 − df/n)². Przybliża walidację „zostaw jedną obserwację” bez wielokrotnego dopasowywania modelu (Craven i Wahba, 1978). W przykładzie z danymi mcycle minimum wypadło przy 12.21 stopnia swobody.

Co mówi twierdzenie o reprezentacji?

Że funkcja minimalizująca sumę strat w punktach danych plus karę za złożoność w przestrzeni Hilberta z jądrem reprodukującym jest kombinacją skończenie wielu funkcji jądra związanych z danymi. Udowodnili je George Kimeldorf i Wahba na początku lat 70.; dzięki niemu zadanie w nieskończenie wymiarowej przestrzeni sprowadza się do skończonego (Wahba, 2014).

Co to jest problem Wahby?

Zadanie z 1965 r., gdy Wahba pracowała w IBM nad danymi satelitarnymi: jak metodą najmniejszych kwadratów wyznaczyć orientację satelity z obserwacji kierunków gwiazd. Zadanie weszło do literatury właśnie jako „problem Wahby” (Knutson, 2018; Nychka i in., 2020).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Craven, P., & Wahba, G. (1978). Smoothing noisy data with spline functions: Estimating the correct degree of smoothing by the method of generalized cross-validation. Numerische Mathematik, 31(4), 377–403. https://doi.org/10.1007/bf01404567
  2. Knutson, K. (2018). Breaking ground with Grace. UW–Madison News. https://news.wisc.edu/breaking-ground-with-grace/ ● Otwarty dostęp
  3. Nychka, D., Ma, P., & Bates, D. (2020). A conversation with Grace Wahba. Statistical Science, 35(2), 308–320. https://doi.org/10.1214/19-sts734 ● Otwarty dostęp
  4. University of Wisconsin–Madison Department of Statistics. (2025). Professor Emerita Grace Wahba wins coveted International Prize in Statistics. https://stat.wisc.edu/2025/05/12/professor-emerita-grace-wahba-wins-coveted-international-prize-in-statistics/ ● Otwarty dostęp
  5. Wahba, G. (2014). Statistical model building, machine learning, and the ah-ha moment. In Past, Present, and Future of Statistical Science (pp. 505–520). Chapman and Hall/CRC. https://doi.org/10.1201/b16720-48 ● Otwarty dostęp: pełny tekst
  6. Wahba, G. (2018). Emanuel Parzen: A memorial, and a model with the two kernels that he championed. arXiv. https://arxiv.org/abs/1803.05555 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{craven1978smoothing, author={Craven, Peter and Wahba, Grace}, title={{Smoothing noisy data with spline functions: Estimating the correct degree of smoothing by the method of generalized cross-validation}}, journal={Numerische Mathematik}, year={1978}, volume={31}, number={4}, pages={377--403}, doi={10.1007/bf01404567}}
@misc{knutson2018breaking, author={Knutson, Käri}, title={{Breaking ground with Grace}}, howpublished={UW–Madison News}, year={2018}, publisher={University of Wisconsin–Madison}, url={https://news.wisc.edu/breaking-ground-with-grace/}}
@article{nychka2020conversation, author={Nychka, Douglas and Ma, Ping and Bates, Douglas}, title={{A conversation with Grace Wahba}}, journal={Statistical Science}, year={2020}, volume={35}, number={2}, pages={308--320}, doi={10.1214/19-sts734}}
@misc{uwstat2025wahba, author={{University of Wisconsin--Madison Department of Statistics}}, title={{Professor Emerita Grace Wahba wins coveted International Prize in Statistics}}, year={2025}, publisher={University of Wisconsin–Madison}, url={https://stat.wisc.edu/2025/05/12/professor-emerita-grace-wahba-wins-coveted-international-prize-in-statistics/}}
@incollection{wahba2014statistical, author={Wahba, Grace}, title={{Statistical model building, machine learning, and the ah-ha moment}}, booktitle={Past, Present, and Future of Statistical Science}, year={2014}, pages={505--520}, publisher={Chapman and Hall/CRC}, doi={10.1201/b16720-48}}
@techreport{wahba2018emanuel, author={Wahba, Grace}, title={{Emanuel Parzen: A memorial, and a model with the two kernels that he championed}}, year={2018}, institution={arXiv}, url={https://arxiv.org/abs/1803.05555}}
R