Achieving Higher-Order Convergence Rates for Density Estimation with Binned Data
分箱数据密度估计的高阶收敛率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：摘要研究通用分箱密度估计，未明确涉及经济学中的分布效应或其他指定应用。
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
分箱数据密度估计的高阶收敛率
- 研究问题
- 当原始数据仅保留直方图的箱计数和边界时，能否构造保持各箱经验质量的平滑密度估计，并取得高阶收敛？
- 方法与思路
- 作者结合 B 样条与箱内概率质量精确匹配的性质，构造直方图样条估计，并讨论偏差、误差及多元扩展。
- 材料陈述的贡献
- 摘要称，方法能够实现较快的渐近均方积分误差收敛，理论和数值比较中通常与其他估计量相当且常有改善。
- 阅读关注点
- 应核对样条阶数、箱宽和光滑性条件如何共同决定误差，以及质量匹配约束与多元扩展的具体实现方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；收敛率公式的上下标与括号不清，需查阅原 PDF，不能据此重构公式或判断普遍优势。
原文摘要
A method is proposed for achieving fast—O(n –8/9) and faster—asymptotic mean integrated squared error (AMISE) convergence rates in density estimation using data condensed to standard histogram bin counts and edges. The method involves the two elements of B splines and the correct mass proportions property, in which the probability mass for the histogram bins equals exactly the fraction of the data found in those bins. It is shown that the asymptotic bias of such an estimate using a spline of order p and bin width h will be O(hP ), resulting in optimal AMISE of O(n –2p/2p+1) form. Theoretical and numeric comparisons to kernel-based and other estimators show that the histospline estimator is usually comparable and often superior. An extension to the multivariate density estimation setting is described.