Empirical Likelihood and Uniform Convergence Rates for Dyadic Kernel Density Estimation
配对数据核密度估计的经验似然与一致收敛率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：摘要针对配对观测及其聚类依赖进行估计和推断，与网络方向中的节点对数据依赖问题直接相关。
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
配对数据核密度估计的经验似然与一致收敛率
- 研究问题
- 研究配对数据核密度估计的统一收敛性质，以及在存在配对聚类或配对观测不完整时如何进行可靠推断。
- 方法与思路
- 作者建立配对核密度估计的统一收敛率，提出修正的刀切经验似然推断，并将结果扩展至不完整配对数据。
- 材料陈述的贡献
- 摘要称，检验统计量无论是否存在配对聚类均渐近枢轴化，模拟中等样本量及不完整数据下的覆盖表现较准确。
- 阅读关注点
- 应核对配对聚类的依赖结构、修正刀切程序如何构造、统一收敛的范围，以及不完整观测机制所需条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断缺失机制或有限样本覆盖保证；具体速率条件与后续刊本变化未核验。
原文摘要
This article studies the asymptotic properties of and alternative inference methods for kernel density estimation (KDE) for dyadic data. We first establish uniform convergence rates for dyadic KDE. Second, we propose a modified jackknife empirical likelihood procedure for inference. The proposed test statistic is asymptotically pivotal regardless of presence of dyadic clustering. The results are further extended to cover the practically relevant case of incomplete dyadic data. Simulations show that this modified jackknife empirical likelihood-based inference procedure delivers precise coverage probabilities even with modest sample sizes and with incomplete dyadic data. Finally, we illustrate the method by studying airport congestion in the United States.