On Stochastic Complexity and Nonparametric Density Estimation
随机复杂度与非参数密度估计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：摘要讨论通用非参数密度估计与平滑选择，未明确研究经济变量的分位数或分布效应。
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
随机复杂度与非参数密度估计
- 研究问题
- 如何利用随机复杂度、描述长度和模型选择为非参数密度估计选择平滑参数，并理解不同距离准则下的平滑程度？
- 方法与思路
- 作者在直方图单元概率采用均匀先验时推导随机复杂度的精确公式，以最小随机复杂度选择平滑参数，并分析渐近性质。
- 材料陈述的贡献
- 摘要称两类选择方法在一定条件下渐近等价，平滑程度按上确界距离衡量接近最优，而按有限阶距离衡量略偏向过度平滑。
- 阅读关注点
- 应核对直方图参数化、先验与精确公式的条件，以及渐近等价和不同距离下近乎最优或过度平滑的具体含义。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；未核对全文或版本差异。摘要未说明渐近条件和误差常数，不能据此判断所有密度估计器。
原文摘要
We use the concepts of stochastic complexity, description length, and model selection to develop data-based methods for choosing smoothing parameters in nonparametric density estimation. In the case of histogram estimators, we derive a simple, exact formula for stochastic complexity when the prior distribution of cell probabilities is uniform over the class of all possible choices. The formula depends only on the data and the smoothing parameter, which is readily chosen according to the criterion of minimum stochastic complexity. Approaches based on stochastic complexity and description length are shown to be asymptotically equivalent in certain circumstances. They produce a degree of smoothing which is almost optimal from the viewpoint of minimizing L∞, or supremum, distance, but which smooths a little more than is optimal in the sense of minimizing Lr distance for any finite value of r.