On Locally Adaptive Density Estimation
局部自适应密度估计研究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：摘要聚焦通用核密度估计与带宽选择，未涉及分位数、经济分布效应或其他所列细分领域，故暂不归类。
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
局部自适应密度估计研究
- 研究问题
- 对样本点自适应的正核密度估计，如何分析最优局部平滑参数的行为，并构造可实施的带宽选择与比较程序。
- 方法与思路
- 作者通过预先分箱获得均方积分误差的闭式表达，研究自适应平滑参数函数，并以修改后的最小二乘交叉验证构造算法。
- 材料陈述的贡献
- 摘要称，文章结合理论分析与实用算法，比较固定带宽和另一自动自适应估计方法，并称示例结果有潜力，未给出具体数值。
- 阅读关注点
- 应核对分箱对误差表达的作用、最优平滑参数的定义，以及偏差阶数的原始排版、交叉验证修改和比较实验设定。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；偏差阶数排版需查原 PDF，不能据此补写公式、断言普遍优越或推断版本变化。
原文摘要
Theoretical and practical aspects of the sample-point adaptive positive kernel density estimator are examined. A closed-form expression for the mean integrated squared error is obtained through the device of preprocessing the data by binning. With this expression, the exact behavior of the optimally adaptive smoothing parameter function is studied for the first time. The approach differs from most earlier techniques in that bias of the adaptive estimator remains O(h 2) and is not “improved” to the rate O(h 4). A practical algorithm is constructed using a modification of least squares cross-validation. Simulated and real examples are presented, including comparisons with a fixed bandwidth estimator and a fully automatic version of Abramson's adaptive estimator. The results are very promising.