Density estimation for biased data
偏倚抽样数据的密度估计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：摘要虽提到经济学应用，但研究目标是一般偏倚抽样密度理论，未明确经济分布效应或其他所列细分问题。
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
偏倚抽样数据的密度估计
- 研究问题
- 当观测被抽中的概率依赖其取值时，非参数密度估计的精确渐近风险如何变化，怎样比较其与直接抽样的样本需求？
- 方法与思路
- 作者研究尖锐极小极大密度估计，引入衡量抽样难度的系数，并在密度低频部分已知时讨论受限局部极小极大问题。
- 材料陈述的贡献
- 摘要称给出精确渐近结果，用难度系数联系同等估计精度下的样本量，并通过受限局部理论解释非参数超效率现象。
- 阅读关注点
- 应核对偏倚抽样机制是否已知、损失函数和密度函数类，以及难度系数、低频已知条件与超效率结论的关系。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；偏倚机制、风险常数及数值研究结果未具体给出，不能推断刊本变化。
原文摘要
The concept of biased data is well known and its practical applications range from social sciences and biology to economics and quality control. These observations arise when a sampling procedure chooses an observation with probability that depends on the value of the observation. This is an interesting sampling procedure because it favors some observations and neglects others. It is known that biasing does not change rates of nonparametric density estimation, but no results are available about sharp constants. This article presents asymptotic results on sharp minimax density estimation. In particular, a coefficient of difficulty is introduced that shows the relationship between sample sizes of direct and biased samples that imply the same accuracy of estimation. The notion of the restricted local minimax, where a low-frequency part of the estimated density is known, is introduced; it sheds new light on the phenomenon of nonparametric superefficiency. Results of a numerical study are presented.