Asymptotically Optimum Kernels for Density Estimation at a Point
点态密度估计的渐近最优核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：摘要讨论通用点态密度估计，没有足够证据对应所列经济计量细分。
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
点态密度估计的渐近最优核
- 研究问题
- 在由泰勒展开描述的多维密度类中，如何估计原点处的密度，并渐近最小化该类上的最大均方误差？
- 方法与思路
- 作者构造形状固定的核序列，使窗口大小依赖原点密度，再用易于计算的估计量适应这一未知密度值。
- 材料陈述的贡献
- 摘要称所给核序列渐近最小化指定密度类上的最大均方误差，并提供适应未知点态密度值的计算方法。
- 阅读关注点
- 应核对密度类的具体定义、泰勒展开要求、窗口选择规则，以及代入密度估计后保持渐近最优性的条件。
- 阅读边界
- 仅据未注明稿件版本的 OpenAlex 索引摘要；光滑性条件、最优性证明及有限样本表现未说明，不能推断刊本变化。
原文摘要
Kernel estimation of $f(0)$ is considered where $f$ is a density in some class $\mathscr{F}$ of $d$-dimensional densities, described in terms of a Taylor series expansion. A sequence of kernels which asymptotically minimizes the maximum mean square error of estimation over $\mathscr{F}$ is given. The shape of the kernel is fixed, the size of the window depends on $f(0)$, and an easily computed estimate is obtained to efficiently adapt the sequence to the unknown value of $f(0)$.