On optimal and data-based histograms
最优直方图与数据驱动直方图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：摘要讨论通用直方图与平滑参数选择，未明确涉及所列经济计量细分问题。
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
最优直方图与数据驱动直方图
- 研究问题
- 如何选择直方图组距，使积分均方误差在渐近意义下最小，并形成只依赖样本量与标准差估计的数据驱动规则？
- 方法与思路
- 作者推导渐近最优组距公式，以高斯分布为参照提出组距选择程序，并用蒙特卡洛方法及偏离高斯的模型考察表现。
- 材料陈述的贡献
- 摘要称，论文给出渐近最优组距公式及简便的数据驱动选择程序，并检验小样本用途与高斯参照假设偏离时的敏感性。
- 阅读关注点
- 阅读时应核对积分均方误差展开的条件、标准差估计如何进入规则，以及小样本模拟设计和非高斯模型下的敏感程度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未提供组距公式、正则条件或模拟数值，不能认定该规则对所有分布最优。
原文摘要
In this paper the formula for the optimal histogram bin width is derived which asymptotically minimizes the integrated mean squared error. Monte Carlo methods are used to verify the usefulness of this formula for small samples. A data-based procedure for choosing the bin width parameter is proposed, which assumes a Gaussian reference standard and requires only the sample size and an estimate of the standard deviation. The sensitivity of the procedure is investigated using several probability models which violate the Gaussian assumption.