Kernel Choice Matters for Local Polynomial Density Estimators at Boundaries
边界处局部多项式密度估计的核函数选择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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究一般边界密度估计与不连续性检测，未明确涉及断点政策识别、结果分位数或其他所列应用，细分领域证据不足。
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
边界处局部多项式密度估计的核函数选择
- 研究问题
- 局部多项式密度估计在边界处的效率、区间宽度及不连续性检验功效，如何受核函数选择影响，并为何可能出现小样本方差问题？
- 方法与思路
- 作者结合理论、模拟及经验证据比较不同核函数，分析紧支撑核的有限样本方差问题，并建议采用高斯核或拉普拉斯核。
- 材料陈述的贡献
- 摘要称三角核带来较大均方误差和较低检验功效，并报告紧支撑核下有限样本方差无穷的问题；替代核可改善效率并避免方差爆炸。
- 阅读关注点
- 应核对方差无穷结论依赖的抽样与设计条件、边界定义、带宽及多项式阶数是否可比，以及替代核的效率改善如何衡量。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列完整理论条件和比较数值，不能据此断言某种核在所有场景最优。
原文摘要
Local polynomial density (LPD) estimators are widely used for inference on boundary features of the density function. Contrary to conventional wisdom, we show that kernel choice substantially affects efficiency. Theory, simulations, and empirical evidence indicate that the popular triangular kernel delivers large mean squared error, wide confidence intervals, and limited power for detecting discontinuities. Moreover, small-sample variance can explode because the finite-sample variance is infinite under compactly supported kernels. As a simple yet powerful remedy, we recommend using the Gaussian or Laplace kernels. These alternatives yield marked efficiency gains and eliminate variance explosions, improving the reliability of LPD-based inference.