Cross-Validation of Multivariate Densities
多元密度估计的交叉验证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：摘要研究通用核密度估计的平滑参数选择，未涉及分布效应或其他所列经济计量设定。
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…
多元密度估计的交叉验证
- 研究问题
- 如何为多元乘积核密度估计选择平滑参数，不同自助法和交叉验证规则的理论行为及有限样本稳定性有何差异？
- 方法与思路
- 作者推导并比较多元版本的自助法、最小二乘交叉验证与有偏交叉验证，同时通过模拟和二维数据示例评估表现。
- 材料陈述的贡献
- 摘要称，所研究规则的理论速率随维度增加而改善，有偏交叉验证在模拟中表现较好，并具有较合理的变异程度。
- 阅读关注点
- 应核对速率对应的误差对象、维度处理方式、核与带宽限制，以及模拟比较的分布设定和评价标准。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；不能把参数选择规则的速率改善解释为高维密度估计整体摆脱维度困难。
原文摘要
In recent years, the focus of study in smoothing parameter selection for kernel density estimation has been on the univariate case, while multivariate kernel density estimation has been largely neglected. In part, this may be due to the perception that calibrating multivariate densities is substantially more difficult. In this article, we explicitly derive and compare multivariate versions of the bootstrap method of Taylor, the least-squares cross-validation method developed by Bowman and Rudemo, and a biased cross-validation method similar to that of Scott and Terrell for multivariate kernel estimation using the product kernel estimator. The theoretical behavior of these cross-validation algorithms is shown to improve (surprisingly) as the dimension increases, approaching the best rate of O(n −1/2). Simulation studies suggest that the new biased cross-validation method performs quite well and with reasonable variability as compared to the other two methods. Bivariate examples with heart disease and ozone data are given to illustrate the behavior of these algorithms.