Smooth Optimum Kernel Estimators of Densities, Regression Curves and Modes
密度、回归曲线与众数的光滑最优核估计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：摘要研究通用非参数核选择，密度估计本身不足以归入分位数与分布效应方向。
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、回归曲线与众数的光滑最优核估计
- 研究问题
- 在函数及其导数的非参数估计中，如何选择具有紧支撑且满足不同光滑程度的核函数，并明确其最优性标准？
- 方法与思路
- 作者讨论多种核选择准则，提出适用于紧支撑和不同光滑阶数核的特定最优性准则，并求解相应的变分问题。
- 材料陈述的贡献
- 摘要称，显式给出了相关变分问题的解，且许多此前讨论的核函数可作为特例获得，从而统一部分既有核选择结果。
- 阅读关注点
- 应核对目标准则、支撑及光滑约束的精确定义，以及最优核与带宽选择的关系、导数和众数估计所需的附加条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出准则公式、核表达式或有限样本比较，最优性不能理解为对所有估计目标均最佳。
原文摘要
Several criteria concerning the choice of kernels for the nonparametric estimation of functions and their derivatives are discussed. A specific optimality criterion is described which applies to kernels of compact support and of different orders of smoothness. The solutions of the corresponding variational problems are explicitly given. Many kernels discussed previously are obtained as special cases.