Kernel Density Estimation by Spectral Decomposition: Data-Driven Tapering and Superposition
基于谱分解的核密度估计：数据驱动窗与叠加方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主题为核密度估计的带宽选择与谱方法，属于非参数统计方法研究，未涉及所给因果推断、面板、时间序列、资产定价等任何领域细分的直接文本依据，故留空。
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
基于谱分解的核密度估计：数据驱动窗与叠加方法
- 研究问题
- 研究问题是如何在特征函数域中同时处理核密度估计的带宽选择与密度估计本身，摘要称带宽可视为真实特征函数与 1/n 抽样噪声底相交处的谱截断点。
- 方法与思路
- 作者提出在特征函数域中操作：对分箱数据的循环群平均协方差做谱分解，其谱为经验特征函数的平方；据此构造自动带宽选择器、逐频最优 Wiener 自适应估计量，并与高斯混合以分段划分和光滑基加带限残差叠加两种方式结合，另用数据驱动噪声底替代假设的 1/n。
- 材料陈述的贡献
- 摘要称所提谱估计量在 Marron-Wand 基准上随样本量增大而显现优势，体现低偏差高方差的权衡：n=100 时校正的 Botev 插件法领先，n=5000 时 Wiener 滤波与叠加法居前两位；方法在六个真实数据集与合成数据质量检查上得到验证，并称实验可复现。
- 阅读关注点
- 阅读全文时应核对：谱截断与噪声底相交的识别假设是否被明确陈述；自动选择器与 Wiener 抽头的具体构造及调参；Marron-Wand 基准的评分细节与排名是否稳健；六个真实数据集的具体用法与结论；可复现性材料是否完整。
- 阅读边界
- 仅凭摘要无法判断定理条件、识别假设、渐近性质与有限样本表现的一般性；基准排名依赖特定评分与样本量，不能据此推断普遍优越性；摘要未说明计算复杂度与调参敏感性。该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
Kernel density estimation depends largely on one choice, the smoothing bandwidth. We treat bandwidth selection and density estimation in the characteristic-function domain, where the cyclic group-averaged covariance of the binned data has the squared empirical characteristic function as its spectrum: the true characteristic function sits over a sampling-noise floor of $1/n$, and the bandwidth is the spectral cutoff where the two meet. Several methods follow. An automatic selector strips the floor and minimizes a frequency-domain error criterion, matching the rule of thumb on smooth densities and approaching the best fixed bandwidth on multimodal ones. An adaptive estimator generalizes the fixed kernel to the per-frequency optimal Wiener taper, matching or surpassing the best fixed bandwidth on most standard densities, including sharply peaked and comb-like cases where fixed bandwidths fail; deconvolution under known measurement error follows in the same domain. Because the Wiener estimator resolves sharp structure but does not fit smooth bases as economically as a mixture, a Gaussian mixture is combined with it two ways, a piecewise partition and a superposition of a smooth base and a band-limited residual, the default. A data-driven floor read from the spectrum replaces the assumed $1/n$ floor and stays robust on heaped and rounded data. On the Marron-Wand benchmark scored by exact integrated squared error, the advantage emerges with sample size, a bias-variance tradeoff: the spectral estimators carry low bias but pay in variance, so a corrected Botev plug-in leads at $n=100$ while the Wiener filter and superposition take the top two ranks at $n=5000$. The methods are validated on six real datasets (CRSP returns, NHANES self-reports, CMS dimuon and SDSS spectra, a random-beacon stream, and UNSW-NB15 traffic) and on a synthetic-data quality check. All experiments are reproducible.