Nonparametric Importance Sampling
非参数重要性抽样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：摘要讨论高维积分的模拟与方差缩减，未提供其直接属于所列经济计量细分方向的依据。
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
非参数重要性抽样
- 研究问题
- 在高维积分区域不规则、参数抽样分布难以合理设定时，如何选择重要性抽样分布，并改善积分估计的收敛表现？
- 方法与思路
- 作者提出用非参数方法估计未知的最优抽样函数，并比较其与参数方法的收敛表现，以及自适应方法与一步法的表现。
- 材料陈述的贡献
- 摘要称，非参数方法所得积分估计比参数方法收敛更快；在所研究的非参数设定中，自适应方法未优于简单一步法。
- 阅读关注点
- 应核对最优抽样函数的估计方式、收敛速度比较所需条件，以及自适应方法未改善结果的具体设定和评价标准。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体收敛率、维度限制及比较条件，不能据此认定非参数方法普遍更优。
原文摘要
Importance sampling is a widely used variance reduction simulation technique for the evaluation of high-dimensional integrals. A key step in the implementation of importance sampling is to choose a proper distribution function from which pseudorandom numbers are generated. Parametric sampling distributions, if available at all, are often inadequate for high-dimensional integrals over irregular regions. One possible remedy is to use a nonparametric method to estimate the unknown optimal sampling function. We show that the nonparametric approach yields integral estimates that converge faster than estimates obtained from parametric approaches. We also demonstrate that an adaptive method, which has been used successfully in parametric settings, does not yield better results than simple one-step methods in the nonparametric setting.