Univariate Density Estimation by Orthogonal Series
基于正交级数的单变量密度估计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：摘要研究一般单变量密度估计，未涉及经济分布效应、尾部风险或其他所列细分的直接问题。
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
基于正交级数的单变量密度估计
- 研究问题
- 如何结合低维参数密度的初步拟合与正交级数展开，构造单变量密度估计，并通过系数先验表达对拟合密度偏离的约束？
- 方法与思路
- 作者以参数族初步拟合作为先验均值密度，将真实密度与该密度之比作正交展开，并为展开系数设置独立、零均值的联合先验。
- 材料陈述的贡献
- 摘要称，文章提出受 Whittle 意义下最优核估计启发的正交级数密度估计量，将初步参数拟合与随机级数系数设定结合起来。
- 阅读关注点
- 阅读时应核对正交基、展开存在条件、系数先验的具体形式、截断或平滑规则，以及最终估计密度的非负性与归一化。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，风险性质、收敛速度和实现细节未说明；受最优核估计启发不能据此认定新估计量也最优。
原文摘要
Orthogonal series estimators of univariate densities are proposed that are derived from and motivated by kernel estimators optimal in Whittle's (1958) sense. A preliminary fit of the data from within a one or two parameter class of densities plays the role of a prior mean density. The ratio of the true density and the prior mean density is assumed to have a series expansion in terms of functions orthogonal with respect to the prior mean density. Coefficients of terms of the series are given a joint prior distribution according to which they are independent, with zero means.