Making a Non-Parametric Density Estimator More Attractive, and More Accurate, by Data Perturbation
通过数据扰动改善非参数密度估计的形态与精度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：摘要属于通用非参数密度估计，未明确研究分位数或经济分布效应，分类证据不足。
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
通过数据扰动改善非参数密度估计的形态与精度
- 研究问题
- 如何构造高阶非参数密度估计量，在提高精度的同时保持正值，并减少传统高阶核估计中明显振荡的尾部？
- 方法与思路
- 作者以倾斜或数据锐化等扰动方式构造新的高阶密度估计量，并通过理论分析和数值研究考察其性能。
- 材料陈述的贡献
- 摘要称，新估计量保证正值且尾部不高度振荡，比使用正核的传统核方法更准确，并比高阶核估计更少波动。
- 阅读关注点
- 应核对数据扰动的构造、正值保证的范围、精度比较所用准则，以及尾部形态改善的理论与数值证据。
- 阅读边界
- 仅据 Crossref 摘要；未说明光滑性、带宽条件和精度改善幅度，不能把所述比较解释为任意样本下的全面优势。
原文摘要
Summary Motivated by both the shortcomings of high order density estimators, and the increasingly large data sets in many areas of modern science, we introduce new high order, non-parametric density estimators that are guaranteed to be positive and do not have highly oscillatory tails. Our approach is based on data perturbation, e.g. by tilting or data sharpening. It leads to new estimators that are more accurate than conventional kernel techniques that use positive kernels, but which nevertheless enjoy the positivity property, and are far less ‘wiggly’ than high order kernel estimators. We investigate performance by theoretical analysis and in a numerical study.