Smoothing Bias in Density Derivative Estimation
密度导数估计中的平滑偏差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：摘要研究通用密度导数与得分估计，未明确讨论分位数或经济变量的分布效应。
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
密度导数估计中的平滑偏差
- 研究问题
- 局部平滑为何会使密度导数和位置得分向量出现系统性衰减偏差，以及这种偏差如何影响平均导数和自适应回归估计。
- 方法与思路
- 作者分析核估计的导数偏差，在固定带宽极限下研究正态密度得分的比例衰减，并借正态混合密度讨论近似的合理性。
- 材料陈述的贡献
- 摘要称揭示了平滑引起的衰减机制，给出正态密度下的比例偏差结果，并提出用于诊断得分偏差的简单统计量。
- 阅读关注点
- 应核对得分向量的定义与符号、固定带宽极限的含义、正态结果向混合密度扩展的论证，以及诊断统计量的解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；一般密度下的偏差形式及诊断性能未说明，不能把比例衰减视为普遍定理。
原文摘要
This article discusses a generic feature of density estimation by local smoothing, namely that estimated derivatives and location score vectors will display a systematic downward (attenuation) bias. We study the behavior of kernel estimators, indicating how the derivative bias arises and showing a simple result. We then consider the estimation of score vectors (negative log-density derivatives), which are motivated by the problem of estimating average derivatives and the adaptive estimation of regression models. Using “fixed bandwidth” limits, we show how scores are proportionally downward biased for normal densities and argue from normal mixture densities that proportional bias can be a reasonable approximation. We propose a simple diagnostic statistic for score bias.