Density Estimation, Stochastic Processes and Prior Information
密度估计、随机过程与先验信息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：摘要以一般密度估计和先验平滑为核心，自回归过程用于构造先验，尚不足以归入时间序列或分布效应方向。
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
密度估计、随机过程与先验信息
- 研究问题
- 研究如何把关于密度平滑性的先验信息纳入有限样本非参数密度估计，并将这种估计方法用于分组观测和平滑问题。
- 方法与思路
- 作者采用 logistic 密度变换与来自一阶自回归过程的再生内积，表达局部平滑先验，并构造后验密度估计。
- 材料陈述的贡献
- 摘要称，所得密度估计具有连续二阶导数且通常渐近一致，并给出与时变泊松过程平滑的类比及直方图平滑方案。
- 阅读关注点
- 读全文时应核对平滑先验的数学定义、后验估计的具体形式及一致性条件，关注分组数据处理与泊松平滑类比的边界。
- 阅读边界
- 仅据 Crossref 摘要；“通常一致”缺少明确条件，先验与平滑参数的敏感性未说明，也不能据此推断刊本版本变化。
原文摘要
Summary A method is proposed for the non-parametric estimation of a probability density, based upon a finite number of observations and prior information about the smoothness of the density. A logistic density transform and a reproducing inner product from the first-order autoregressive stochastic process are employed to represent prior information that the derivative of the transform is unlikely to change radically within small intervals. The posterior estimate of the density possesses a continuous second derivative; it typically satisfies the frequentist property of asymptotic consistency. A direct analogy is demonstrated with a smoothing method for the time-dependent Poisson process; this is similar in spirit to the normal theory Kalman filter. A procedure for grouped observations in a histogram provides an alternative to the histospline method of Boneva, Kendall and Stefanov. Five practical examples are presented, including two investigations of normality, an analysis of pedestrian arrivals at a Pelican crossing and a histogram smoothing method for mine explosions data.