Large Sample Optimality of Least Squares Cross-Validation in Density Estimation
密度估计中最小二乘交叉验证的大样本最优性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：摘要聚焦一般密度估计与交叉验证理论，未研究分位数或分布效应，因此没有直接对应的细分证据。
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
密度估计中最小二乘交叉验证的大样本最优性
- 研究问题
- 用于密度估计的最小二乘交叉验证，能否在渐近意义下实现积分平方误差最小化，而不只保证一致性？
- 方法与思路
- 作者分析既有最小二乘交叉验证方法，在略强于有限方差要求的尾部条件下，研究其积分平方误差的渐近表现。
- 材料陈述的贡献
- 摘要称，论文证明该方法的渐近最优性，并指出在所设条件下，它不呈现已观察到的另一类交叉验证的病态行为。
- 阅读关注点
- 应核对尾部条件、候选估计与调节参数范围、渐近最优性的比较基准，以及有关病态行为的适用条件。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；精确尾部条件和证明未提供，摘要的首次性说法也不能据此独立确认。
原文摘要
We prove that the method of cross-validation suggested by A. W. Bowman and M. Rudemo achieves its goal of minimising integrated square error, in an asymptotic sense. The tail conditions we impose are only slightly more severe than the hypothesis of finite variance, and so least squares cross-validation does not exhibit the pathological behaviour which has been observed for Kullback-Leibler cross-validation. This is apparently the first time that a cross-validatory procedure for density estimation has been shown to be asymptotically optimal, rather then simply consistent.