Density Estimation for the Case of Supersmooth Measurement Error
超光滑测量误差下的密度估计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：摘要讨论一般测量误差反卷积与密度估计，没有明确分布效应或其他所列应用领域证据。
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
超光滑测量误差下的密度估计
- 研究问题
- 当独立测量误差的特征函数指数衰减、密度恢复只能缓慢收敛时，如何构造适应未知光滑性与误差分布的估计量？
- 方法与思路
- 作者针对超光滑误差及圆周数据提出数据驱动估计，并通过其导数和积分估计相应函数，另给出小样本修正版。
- 材料陈述的贡献
- 摘要称估计量具有渐近效率与自适应性，其导数和积分也有全局及逐点的精确最优性质，并以理论、模拟和实例考察。
- 阅读关注点
- 应核对误差分布的信息来源、自适应性的定义、精确最优性质的损失与函数类，以及圆周设定和小样本修正的范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明误差分布如何获知或估计，也未列明效率条件，不能推断任意未知误差均可处理。
原文摘要
The problem is to estimate the probability density of a random variable contaminated by an independent measurement error. I explore one of the worst-case scenario when the characteristic function of this measurement error decreases exponentially and thus optimal estimators converge only with logarithmic rate. The particular example of such measurement error is any random variable contaminated by normal, Cauchy, or another stable random variable. For this setting and circular data, I suggest an asymptotically efficient data-driven estimator that is adaptive to both smoothness of estimated density and distribution of measurement error. Moreover, this estimator is universal in sense that its derivatives and integral are sharp estimators of the corresponding derivatives and the cumulative distribution function, and these estimators are sharp both globally and pointwise. For the case of small sample sizes, I suggest a modified estimator that mimics an optimal linear pseudoestimator. I explore this estimator theoretically, via intensive Monte Carlo simulations and practical examples.