On local likelihood density estimation
局部似然密度估计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：摘要讨论通用密度估计的渐近理论，未明确涉及所列经济计量细分方向。
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
局部似然密度估计
- 研究问题
- 一类局部似然密度估计方法在带宽随样本量增大而趋于零时具有哪些共同渐近性质，各成员之间又如何比较？
- 方法与思路
- 作者在带宽趋零的平滑框架下给出统一渐近分析，从一元逐点结果扩展到全局性质，并说明多元情形的处理思路。
- 材料陈述的贡献
- 摘要称，已有若干方法属于具有相同且最优小带宽表现的子类，并提示可结合已有的大带宽渐近结果作进一步比较。
- 阅读关注点
- 应核对局部似然方法的具体定义、逐点与全局结论所需条件，以及“小带宽最优”的比较标准和多元扩展范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，无法判断最优性的具体标准或有限样本表现；摘要中的比较不支持普遍优越性结论。
原文摘要
This paper considers a class of local likelihood methods introduced by Eguchi and Copas. Unified asymptotic results are presented in the usual smoothing context of the bandwidth, h, tending to zero as the sample size tends to infinity. We present our results pointwise in the univariate case, but then go on to extend them to global properties and to indicate how to cope with the multivariate case. Specific members of the class due to Copas, and Hjort and Jones are seen to be members of a subset of the whole class with the same, and best, small h behavior. Further comparisons between members of the class are alluded to based on the complementary large h asymptotic results of Eguchi and Copas.