Consistency of Two Nonparametric Maximum Penalized Likelihood Estimators of the Probability Density Function
两种非参数最大惩罚似然密度估计量的一致性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：摘要研究一般非参数密度估计的一致性，未涉及分布效应或明确经济应用，因此不据密度估计直接归类。
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
两种非参数最大惩罚似然密度估计量的一致性
- 研究问题
- 利用粗糙度惩罚构造非参数密度估计时，惩罚强度如何随样本量变化才能得到一致性，半直线支持如何处理？
- 方法与思路
- 作者研究Good与Gaskins的第一类最大惩罚似然估计，使惩罚系数趋于无穷而相对样本量趋零，并考察半直线版本。
- 材料陈述的贡献
- 摘要称，论文在若干密度条件下证明多种范数中的几乎处处收敛并给出速率，也讨论半直线估计的可计算性与一致性。
- 阅读关注点
- 应核对密度的具体正则条件、惩罚项定义、各范数对应的速率与边界处理，以及计算可行性是否有明确算法支持。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要，所谓较弱条件与具体速率未展开；不能由一致性陈述推断有限样本表现或最优性。
原文摘要
We study the consistency properties of a nonparametric estimator $f_n$ of a density function $f$ on the real line, which is known as the "first MPLE of Good and Gaskins," and which is obtained by maximizing the likelihood functional multiplied by the roughness penality $\exp\{- \alpha \int (f'/f)^2 f\}$ with $\alpha > 0$. Under modest assumptions on the density function $f$, and letting $\alpha = \alpha_n \rightarrow \infty$ and $\alpha_n/n \rightarrow 0$ a.s. as $n \rightarrow \infty$ we demonstrate the a.s. convergence of $f_n$ to $f$, with rates, in the Hellinger, $L_1, L_2, \sup_{\mathbb{R}}$ and Sobolev norms, as well as in integrated mean absolute deviation. Finally, the corresponding estimator for $f$ supported on the half-line, is derived and the computational feasibility as well as the consistency properties of the estimator are indicated.