KERNEL ESTIMATION WHEN DENSITY MAY NOT EXIST
密度可能不存在时的核估计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：摘要研究一般核估计与广义分布理论，未涉及分位数、分布效应或其他指定细分应用。
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
密度可能不存在时的核估计
- 研究问题
- 当分布含质量点、非光滑部分或奇异成分，通常意义的密度可能不存在时，如何统一描述核密度与条件均值估计的渐近行为？
- 方法与思路
- 作者借助广义函数与广义随机过程，在广义意义下定义任意分布的密度及导数，并分析核密度和 Nadaraya–Watson 条件均值估计。
- 材料陈述的贡献
- 摘要称建立涵盖奇异分布成分的统一理论，以广义高斯过程完整刻画核密度估计的极限过程，并给出条件均值估计的渐近结果。
- 阅读关注点
- 应核对广义函数空间与收敛方式、各类分布成分的处理、核与带宽条件，以及广义过程结果如何转化为实际可解释的估计结论。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将广义密度解释为普通点态密度；摘要未说明常规置信区间、具体速率或实际实现方式。
原文摘要
Nonparametric kernel estimation of density and conditional mean is widely used, but many of the pointwise and global asymptotic results for the estimators are not available unless the density is continuous and appropriately smooth; in kernel estimation for discrete-continuous cases smoothness is required for the continuous variables. Nonsmooth density and mass points in distributions arise in various situations that are examined in empirical studies; some examples and explanations are discussed in the paper. Generally, any distribution function consists of absolutely continuous, discrete, and singular components, but only a few special cases of nonparametric estimation involving singularity have been examined in the literature, and asymptotic theory under the general setup has not been developed. In this paper the asymptotic process for the kernel estimator is examined by means of the generalized functions and generalized random processes approach; it provides a unified theory because density and its derivatives can be defined as generalized functions for any distribution, including cases with singular components. The limit process for the kernel estimator of density is fully characterized in terms of a generalized Gaussian process. Asymptotic results for the Nadaraya–Watson conditional mean estimator are also provided.