Operational time and in-sample density forecasting
操作时间与样本内密度预测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：摘要讨论一般结构化密度外推，未明确宏观预测、经济结构估计或分布效应应用，故暂不细分。
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…
操作时间与样本内密度预测
- 研究问题
- 如何在有观测数据的区域估计结构化密度，再将该结构用于无观测区域？论文关注这一密度外推问题的建模与估计。
- 方法与思路
- 作者以三个未知一维函数构造密度模型，其中一个函数决定观测空间变换，并提出估计各组成函数的方法。
- 材料陈述的贡献
- 摘要称，三个组成函数的估计均达到最优一维收敛速率，并通过真实数据与模拟展示方法的应用及有限样本表现。
- 阅读关注点
- 应核对三个函数的识别与归一化、空间变换的定义、观测区域外使用密度的结构依据，以及最优速率的适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；结构假设的具体形式与外推限制未说明，不能将其理解为任意区域的预测保证。
原文摘要
In this paper, we consider a new structural model for in-sample density forecasting. In-sample density forecasting is to estimate a structured density on a region where data are observed and then reuse the estimated structured density on some region where data are not observed. Our structural assumption is that the density is a product of one-dimensional functions with one function sitting on the scale of a transformed space of observations. The transformation involves another unknown one-dimensional function, so that our model is formulated via a known smooth function of three underlying unknown one-dimensional functions. We present an innovative way of estimating the one-dimensional functions and show that all the estimators of the three components achieve the optimal one-dimensional rate of convergence. We illustrate how one can use our approach by analyzing a real dataset, and also verify the tractable finite sample performance of the method via a simulation study.