Nonparametric Density Estimation with a Parametric Start
以参数估计为起点的非参数密度估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用密度估计与回归扩展，未明确研究分位数、经济分布效应或其他所列细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
以参数估计为起点的非参数密度估计
- 研究问题
- 能否利用参数密度作为起点，在其附近改善核密度估计的精度，同时在真实密度偏离该参数族时保持适应性？
- 方法与思路
- 作者将初始参数密度估计乘以核式修正因子估计；当修正函数比原密度更平滑时，这一构造可能更有利。
- 材料陈述的贡献
- 摘要称完成了与核估计的广泛比较及正态混合类的精确分析，并讨论平滑参数选择和向非参数回归的扩展。
- 阅读关注点
- 应核对修正因子的平滑性条件、参数起点估计对误差的影响、带宽选择，以及正态混合比较覆盖的范围。
- 阅读边界
- 仅据版本未注明的索引摘要；高维优势是摘要提出的应用期待，具体维数条件、误差界和比较数值未说明。
原文摘要
The traditional kernel density estimator of an unknown density is by construction completely nonparametric in the sense that it has no preferences and will work reasonably well for all shapes. The present paper develops a class of semiparametric methods that are designed to work better than the kernel estimator in a broad nonparametric neighbourhood of a given parametric class of densities, for example, the normal, while not losing much in precision when the true density is far from the parametric class. The idea is to multiply an initial parametric density estimate with a kernel-type estimate of the necessary correction factor. This works well in cases where the correction factor function is less rough than the original density itself. Extensive comparisons with the kernel estimator are carried out, including exact analysis for the class of all normal mixtures. The new method, with a normal start, wins quite often, even in many cases where the true density is far from normal. Procedures for choosing the smoothing parameter of the estimator are also discussed. The new estimator should be particularly useful in higher dimensions, where the usual nonparametric methods have problems. The idea is also spelled out for nonparametric regression.