Nonparametric Probability Density Estimation by Discrete Maximum Penalized- Likelihood Criteria
基于离散最大惩罚似然准则的非参数密度估计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：摘要属于一般非参数密度估计，没有明确讨论给定分位数与分布效应等细分问题。
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
基于离散最大惩罚似然准则的非参数密度估计
- 研究问题
- 如何通过连续惩罚似然问题的离散化构造可计算的非参数密度估计，并理解其近似误差、一致性与收敛速度？
- 方法与思路
- 作者优化连续准则泛函的离散版本，分析它与无限维解的关系，说明数值实现，并用模拟比较其与核估计的积分均方误差。
- 材料陈述的贡献
- 摘要称建立离散估计的一致性及其与无限维解的近似结果，考察渐近收敛速率，并提供数值例子和核估计比较。
- 阅读关注点
- 应核对惩罚泛函、离散网格与调节参数的选择，近似误差与统计误差的关系，以及积分均方误差比较的具体设计。
- 阅读边界
- 所据为稿件版本未注明的 OpenAlex 索引摘要；摘要未给出惩罚形式、收敛速率或模拟结论，准则最优不等于统计风险普遍最优。
原文摘要
A nonparametric probability density estimator is proposed that is optimal with respect to a discretized form of a continuous penalized-likelihood criterion functional. Approximation results relating the discrete estimator to the estimate obtained by solving the corresponding infinite-dimensional problem are presented. The discrete estimator is shown to be consistent. The numerical implementation of this discrete estimator is outlined and examples displayed. A simulation study compares the integrated mean square error of the discrete estimator with that of the well-known kernel estimators. Asymptotic rates of convergence of the discrete estimator are also investigated.