Optimal convergence rates for Good's nonparametric maximum likelihood density estimator
Good 非参数最大似然密度估计量的最优收敛率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：摘要是一般非参数密度估计理论，未涉及分位数或经济学分布效应，分类证据不足。
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
Good 非参数最大似然密度估计量的最优收敛率
- 研究问题
- 使用 Good 第一粗糙度惩罚泛函进行密度估计时，如何通过与核估计的比较建立积分误差和分布距离界？
- 方法与思路
- 作者研究惩罚最大似然密度估计，证明其与双侧指数核估计的逐点比较结果，再推导 L1 收敛及 Hellinger 距离界。
- 材料陈述的贡献
- 摘要称，逐点比较导出与核估计相似的 L1 收敛结果，并得到粗糙度惩罚估计量的 Hellinger 距离界。
- 阅读关注点
- 应核对粗糙度惩罚及调节参数、逐点比较所需条件、两类误差界的具体速率，以及题名所称最优性的定义和依据。
- 阅读边界
- OpenAlex 摘要版本未注明；虽题名称“最优”，摘要未说明最优性基准、密度类别或下界，不能补造具体最优速率。
原文摘要
We study maximum penalized likelihood density estimation using the first roughness penalty functional of Good. We prove a simple pointwise comparison result with a kernel estimator based on the two-sided exponential kernel. This leads to $L^1$ convergence results similar to those for kernel estimators. We also prove Hellinger distance bounds for the roughness penalized estimator.