On the Estimation of a Probability Density Function by the Maximum Penalized Likelihood Method
用最大惩罚似然方法估计概率密度函数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：摘要讨论通用概率密度估计与惩罚似然理论，未涉及分位数效应或其他所列经济计量细分，故暂不分类。
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…
关注这篇论文的作者
用最大惩罚似然方法估计概率密度函数
- 研究问题
- 如何通过惩罚对数密度的粗糙程度构造概率密度估计，并刻画估计的存在性、平滑极限和大样本分布性质？
- 方法与思路
- 作者在似然中加入依赖对数密度粗糙度的泛函惩罚，将估计转化为无约束凸优化，并分析平滑增强时的极限。
- 材料陈述的贡献
- 摘要称给出估计存在的温和条件、不同范数下的一致性速率，以及渐近正态性和高斯过程近似成立的条件。
- 阅读关注点
- 阅读全文时应核对粗糙度惩罚和密度约束的处理、平滑参数的渐近要求，以及各范数下收敛速率和分布近似的条件。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；具体惩罚、速率和正则条件未列出，不能据此判断有限样本效果或刊本变化。
原文摘要
A class of probability density estimates can be obtained by penalizing the likelihood by a functional which depends on the roughness of the logarithm of the density. The limiting case of the estimates as the amount of smoothing increases has a natural form which makes the method attractive for data analysis and which provides a rationale for a particular choice of roughness penalty. The estimates are shown to be the solution of an unconstrained convex optimization problem, and mild natural conditions are given for them to exist. Rates of consistency in various norms and conditions for asymptotic normality and approximation by a Gaussian process are given, thus breaking new ground in the theory of maximum penalized likelihood density estimation.