Smoothing Bias in Density Derivative Estimation
密度导数估计中的平滑偏差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：摘要研究密度导数和得分估计偏差，未明确研究分位数或经济分布效应。
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
密度导数估计中的平滑偏差
- 研究问题
- 局部平滑为何会使密度导数和位置得分向量出现系统性衰减偏差，这种偏差如何影响相关估计并被诊断？
- 方法与思路
- 作者分析核密度导数估计的偏差，并使用固定带宽极限研究得分偏差；结合正态及正态混合密度讨论比例衰减近似。
- 材料陈述的贡献
- 摘要称正态密度下得分存在比例向下偏差，正态混合例子支持将其作为近似，并提出一个简单的得分偏差诊断统计量。
- 阅读关注点
- 应核对固定带宽极限与带宽趋零分析的区别、比例偏差结论的适用范围，以及诊断统计量如何用于平均导数和自适应估计。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明诊断阈值，正态混合下的比例偏差仅被描述为近似。
原文摘要
This article discusses a generic feature of density estimation by local smoothing, namely that estimated derivatives and location score vectors will display a systematic downward (attenuation) bias. We study the behavior of kernel estimators, indicating how the derivative bias arises and showing a simple result. We then consider the estimation of score vectors (negative log-density derivatives), which are motivated by the problem of estimating average derivatives and the adaptive estimation of regression models. Using “fixed bandwidth” limits, we show how scores are proportionally downward biased for normal densities and argue from normal mixture densities that proportional bias can be a reasonable approximation. We propose a simple diagnostic statistic for score bias.