Nonparametric Maximum Likelihood Estimation for Shifted Curves
平移曲线的非参数最大似然估计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：材料研究通用曲线估计并应用于电泳谱，没有明确涉及面板、因果效应或所列其他细分领域。
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
平移曲线的非参数最大似然估计
- 研究问题
- 在一组具有共同形状但存在平移的曲线中，如何估计共同形状函数，并减少对核函数和带宽人工选择的依赖？
- 方法与思路
- 作者借鉴事件史分析与计数过程框架中的非参数最大似然方法，推导无限维得分方程并据此提出形状估计算法。
- 材料陈述的贡献
- 摘要称所得估计量类似 Nadaraya–Watson 估计，但由得分方程自动确定形状和平滑参数，并以电泳谱数据示范。
- 阅读关注点
- 应核对形状不变模型的具体设定、平移与形状的识别约束，以及得分方程解的存在性、算法实现和平滑选择机制。
- 阅读边界
- 仅依据所给 Crossref 摘要；模型的完整条件、估计误差和算法收敛性质未说明，不能据此判断普遍适用性。
原文摘要
Summary The analysis of a sample of curves can be done by self-modelling regression methods. Within this framework we follow the ideas of nonparametric maximum likelihood estimation known from event history analysis and the counting process set-up. We derive an infinite dimensional score equation and from there we suggest an algorithm to estimate the shape function for a simple shape invariant model. The nonparametric maximum likelihood estimator that we find turns out to be a Nadaraya–Watson-like estimator, but unlike in the usual kernel smoothing situation we do not need to select a bandwidth or even a kernel function, since the score equation automatically selects the shape and the smoothing parameter for the estimation. We apply the method to a sample of electrophoretic spectra to illustrate how it works.