Density Estimation and Bump-Hunting by the Penalized Likelihood Method Exemplified by Scattering and Meteorite Data
惩罚似然密度估计与峰值识别：散射及陨石数据示例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：摘要研究一般概率密度与物理数据的峰值识别，未涉及经济变量的分位数或分布效应。
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
惩罚似然密度估计与峰值识别：散射及陨石数据示例
- 研究问题
- 如何改进惩罚似然密度估计，选择平滑超参数，并判断数据中的多个密度峰是否获得充分的统计支持？
- 方法与思路
- 作者利用拟合优度统计量估计超参数，比较傅里叶与 Hermite 展开，并采用该方法的贝叶斯解释评估峰值。
- 材料陈述的贡献
- 摘要称，散射数据最佳拟合有十三个峰、其中八个支持较强；球粒陨石数据呈三峰，并被作者解释为至少三类。
- 阅读关注点
- 应核对惩罚项与超参数选择、峰值支持的判据、展开方式对结果的影响，以及密度峰如何对应物理类别。
- 阅读边界
- 所据为稿件版本未注明的索引摘要，不能推断刊本变化。摘要未给出峰值不确定性或类别判断条件，所述解释尚需核对。
原文摘要
The (maximum) penalized-likelihood method of probability density estimation and bump-hunting is improved and exemplified by applications to scattering and chondrite data. We show how the hyperparameter in the method can be satisfactorily estimated by using statistics of goodness of fit. A Fourier expansion is found to be usually more expeditious than a Hermite expansion but a compromise is useful. The best fit to the scattering data has 13 bumps, all of which are evaluated by the Bayesian interpretation of the method. Eight bumps are well supported. The result for the chondrite data suggests that it is trimodal and confirms that there are (at least) three kinds of chondrite.