Local Likelihood Based on Kernel Censoring
基于核删失的局部似然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：摘要讨论一般局部似然与密度估计，未明确涉及分位数、分布效应或其他所列领域细分。
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
基于核删失的局部似然
- 研究问题
- 如何构造强调样本空间中关注区域的局部似然，用于识别参数模型在局部的偏离，并支持半参数密度估计？
- 方法与思路
- 作者借鉴删失数据似然的构造思想，提高关注区域附近观测的权重，形成局部似然方法，并给出部分理论和三个例子。
- 材料陈述的贡献
- 摘要称，所提局部似然可用于评估参数模型的局部偏离及半参数密度估计；未具体列出理论结论或比较结果。
- 阅读关注点
- 读全文时应核对核删失如何进入似然、局部区域与调节参数如何选择，以及理论性质和三个例子的适用范围。
- 阅读边界
- 仅据Crossref摘要。摘要未说明渐近条件、误差性质或实例内容，不能据此认定该方法对所有局部模型偏离都有效。
原文摘要
SUMMARY By drawing an analogy with likelihood for censored data, a local likelihood function is proposed which gives more weight to observations near a region of interest in the sample space. Resulting methods can be used for assessing local departures from a parametric model, and for semiparametric density estimation. Some theory, and three examples, is given.