Density Estimation with Bivariate Censored Data
双变量随机删失数据的密度估计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：摘要提供通用删失密度估计理论，没有明确的微观分布效应或其他所列领域背景。
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
双变量随机删失数据的密度估计
- 研究问题
- 当双变量观测受到随机删失时，如何构造概率密度的核估计，并建立其大样本性质及可实施的平滑方案？
- 方法与思路
- 作者构造删失数据的核密度估计，利用强逼近结果研究其渐近性质，并讨论带宽选择、边界效应和更高维推广。
- 材料陈述的贡献
- 摘要称建立了一致性与渐近正态性，给出便利的估计量表示，并通过模拟展示中等样本规模下的密度恢复表现。
- 阅读关注点
- 应核对删失机制与观测结构、强逼近适用条件、带宽规则，以及边界处理和高维推广对精度的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列明删失独立性等具体条件，模拟表现和高维推广的适用边界也未展开。
原文摘要
In this article we construct a kernel estimate of the probability density function from bivariate data that have been randomly censored. We study the large-sample properties of the proposed estimator using a strong approximation result. We establish consistency and asymptotic normality and give a convenient representation of the kernel density estimator. Simulation studies show that the proposed procedure gives a good estimate of the true density function even when the sample size is moderate. We discuss various issues about implementation of the estimator, including bandwidth selection and boundary effects. The procedure can be generalized to higher dimensional variables in a straightforward manner.