Kernel Density Estimation with Spherical Data
球面数据的核密度估计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：摘要研究一般球面密度估计，未明确涉及分布效应或其他所列经济计量领域。
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
球面数据的核密度估计
- 研究问题
- 球面数据中两类自然核密度估计量具有怎样的渐近联系，在平方误差或 Kullback–Leibler 损失下如何比较？
- 方法与思路
- 作者分析两类估计量的交集与渐近等价关系，给出偏差、方差及损失的显式表达和大样本性质，并提供数值示例。
- 材料陈述的贡献
- 摘要称第一类估计量渐近等价于第二类中的一个成员，而第二类还包含在所述两种损失下表现更好的估计量。
- 阅读关注点
- 应核对两类核的定义、平滑参数设定及渐近等价含义，并查看损失比较成立的条件和数值示例覆盖的情形。
- 阅读边界
- 索引摘要未注明稿件版本，也未列出核函数和正则条件；不能把部分成员的损失优势推广为无条件优越性。
原文摘要
We study two natural classes of kernel density estimators for use with spherical data. Members of both classes have already been used in practice. The classes have an element in common, but for the most part they are disjoint. However, all members of the first class are asymptotically equivalent to one another, and to a single element of the second class. In this sense the second class ‘contains’ the first. It includes some estimators which out-perform all those in the first class, if loss is measured in either squared-error or Kullback—Leibler senses. Explicit formulae are given for bias, variance and loss, and large-sample properties of these quantities are described. Numerical illustrations are presented.