On Coherence in Parametric Density Estimation
参数密度估计中的一致性原则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：摘要研究一般参数密度估计的决策原则，预测密度并不直接构成宏观预测或收益预测的分类依据。
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
参数密度估计中的一致性原则
- 研究问题
- 在已有参数先验的密度估计问题中，怎样选择决策损失，使所得估计与相应预测密度一致，并如何评价序贯改进准则？
- 方法与思路
- 作者从决策理论角度要求损失函数导向先验对应的预测密度，比较有向 Kullback–Leibler 散度与其对称形式，并讨论序贯准则。
- 材料陈述的贡献
- 摘要称，有向 Kullback–Leibler 散度具有文中要求的一致性性质，而对应的对称散度不具备，并进一步讨论序贯改进准则的作用。
- 阅读关注点
- 应核对一致性原则的形式化定义、决策空间和预测密度的构造，以及两类散度比较与序贯改进准则之间的逻辑关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明完整决策条件或序贯讨论的结论，此处一致性不能理解为估计相合性。
原文摘要
In parametric density estimation the existence of a prior distribution on the parameter dictates the use of the corresponding predictive density function as estimate. This paper argues that in a decision theory approach to parameter density estimation any loss function introduced should lead to this predictive result for situations where prior information is available. The KullbackLeibler directed divergence has this coherence property whereas the corresponding symmetric divergence does not. The role of a recently suggested sequential improvement criterion in density estimation is also discussed.