Estimating a concave distribution function from data corrupted with additive noise
从含加性噪声的数据估计凹分布函数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：材料是通用形状约束分布估计理论，未研究经济变量的分位数或分布效应，故暂不归类。
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…
从含加性噪声的数据估计凹分布函数
- 研究问题
- 当观测被具有特定密度形状的加性噪声污染时，如何非参数估计凹分布函数，并刻画估计器的点态精度？
- 方法与思路
- 作者研究最大似然与最小二乘两类估计，噪声密度在正半轴上有界且递减，并分析性质、一致性及计算算法。
- 材料陈述的贡献
- 摘要称两类估计具有一致性，并给出最小二乘估计及其导数的点态渐近分布，证明分布函数的点态速率为极小极大。
- 阅读关注点
- 应核对噪声密度是否已知、凹性与局部正则条件、导数估计的定义，以及点态渐近分布和极小极大结论的适用范围。
- 阅读边界
- OpenAlex索引摘要未注明稿件版本；摘要未给出完整正则条件，点态速率不能直接视为全局误差结论，也不能推广至任意噪声。
原文摘要
We consider two nonparametric procedures for estimating a concave distribution function based on data corrupted with additive noise generated by a bounded decreasing density on (0, ∞). For the maximum likelihood (ML) estimator and least squares (LS) estimator, we state qualitative properties, prove consistency and propose a computational algorithm. For the LS estimator and its derivative, we also derive the pointwise asymptotic distribution. Moreover, the rate n−2/5 achieved by the LS estimator is shown to be minimax for estimating the distribution function at a fixed point.