Smoothing in Adaptive Estimation
自适应估计中的平滑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：摘要讨论通用自适应估计、密度平滑和回归问题，未明确对应所列经济计量应用方向。
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
自适应估计中的平滑
- 研究问题
- 如何通过估计未知对数密度构造自适应最大似然估计，并选择平滑程度，以兼顾渐近效率与小样本表现？
- 方法与思路
- 作者使用 B 样条估计对数密度，提出数据驱动的平滑参数选择方法，并在位置与回归问题中进行 Monte Carlo 比较。
- 材料陈述的贡献
- 摘要称，所提估计量具有渐近效率，且在所考察的小样本模拟中相对若干标准估计表现较好；未给出具体比较数值。
- 阅读关注点
- 应核对自适应与效率的定义、样条维度和平滑参数的选择规则，以及模拟中的误差分布、样本量和比较估计量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明效率成立的正则条件及模拟设置，不能将有限比较推广为普遍优势。
原文摘要
An adaptive maximum likelihood estimator based on the estimation of the log-density by $B$-splines is introduced. A data-driven method of selecting the smoothing parameter involved in the consequent density estimation is demonstrated. A Monte Carlo study is conducted to evaluate the small sample performance of the estimator in a location and a regression problem. The adaptive estimator is seen to compare favorably to some standard estimates. We show that the estimator is asymptotically efficient.