A universally acceptable smoothing factor for kernel density estimates
核密度估计的一种普遍适用平滑参数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：摘要讨论通用核密度估计的平滑参数选择，未明确研究分位数或经济学中的分布效应。
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
核密度估计的一种普遍适用平滑参数
- 研究问题
- 能否从数据中选择核密度估计的平滑参数，使其积分绝对误差在未知密度下仍可与同一核的最佳固定平滑参数表现比较？
- 方法与思路
- 作者基于最小距离方法选择数据驱动的平滑参数，在多维独立同分布抽样下，比较该估计与使用同一核的固定参数估计的期望误差。
- 材料陈述的贡献
- 摘要称，在核满足正则条件时，对所有密度而言，所提估计与最佳固定参数估计的期望积分绝对误差之比的渐近上界不超过三。
- 阅读关注点
- 应核对最小距离准则的可计算性、核的正则条件，以及风险比中极限与密度上确界的顺序，避免误读为有限样本保证。
- 阅读边界
- OpenAlex索引摘要未注明稿件版本；所述结果是特定风险度量下的渐近比较，不能据此推断点态误差、有限样本最优性或计算效率。
原文摘要
We define a minimum distance estimate of the smoothing factor for kernel density estimates, based on a methodology first developed by Yatracos. It is shown that if $f_{nh}$ denotes the kernel density estimate on $\mathbb{R}^d$ for an i.i.d. sample of size n drawn from an unknown density f, where h is the smoothing factor, and if $f_n$ is the kernel estimate with the same kernel and with the proposed new data-based smoothing factor, then, under a regularity condition on the kernel K, $$\sup_f \limsup_{n \to \infty} \frac{E \int | f_n - f|dx}{\inf_{h>0} E \int |f_{nh} - f|dx} \leq 3.$$ This is the first published smoothing factor that can be proven to have this property.