Bootstrap choice of the smoothing parameter in kernel density estimation
核密度估计中平滑参数的Bootstrap选择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：摘要研究一般核密度估计的平滑参数选择，未涉及微观经济分布或分布效应。
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
核密度估计中平滑参数的Bootstrap选择
- 研究问题
- 核密度估计如何依据数据选择平滑参数，基于Bootstrap的平均积分平方误差估计与交叉验证相比表现如何？
- 方法与思路
- 作者提出Bootstrap重抽样方案来估计平均积分平方误差，由此选择平滑参数，并通过模拟和示例比较交叉验证。
- 材料陈述的贡献
- 摘要称，该方案提供另一种数据驱动的平滑参数选择方法，并在许多分布的大样本情形下优于交叉验证。
- 阅读关注点
- 应核对重抽样分布、误差准则及平滑参数选择步骤，并确认大样本比较涉及哪些分布、条件和评价指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明具体分布、增益幅度与有限样本边界，不能作普遍优越性判断或推断刊本变化。
原文摘要
Cross-validation based on integrated squared error has already been applied to the choice of smoothing parameter in the kernel method of density estimation. In this paper, an alternative resampling plan, based on the bootstrap, is proposed in an attempt to estimate mean integrated squared error. This leads to a further data-based choice of smoothing parameter. The two methods are compared and some simulations and examples demonstrate the relative merits. For large samples, the bootstrap performs better than cross-validation for many distributions.