Indirect Cross-Validation for Density Estimation
密度估计的间接交叉验证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：摘要研究通用核密度估计的带宽选择，未明确涉及经济分布效应或其他所列细分方向。
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…
密度估计的间接交叉验证
- 研究问题
- 核密度估计如何选择带宽，才能降低传统最小二乘交叉验证的选择误差，并改善整体及局部带宽选择表现？
- 方法与思路
- 作者提出间接交叉验证：先用两个高斯核的线性组合构造选择核，再将其交叉验证带宽重标度用于高斯核估计。
- 材料陈述的贡献
- 摘要称该方法具有更快的带宽相对误差收敛速度，并在所报告的模拟、真实数据及局部带宽例子中优于传统方法。
- 阅读关注点
- 核对选择核与重标度的定义、收敛速度成立的条件，以及模拟设计如何体现带宽选择与最终密度估计的区别。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断理论条件及比较范围；所述优势不能推广至所有密度，也不推断刊本变化。
原文摘要
A new method of bandwidth selection for kernel density estimators is proposed. The method, termed indirect cross-validation (ICV), makes use of so-called selection kernels. Least-squares cross-validation (LSCV) is used to select the bandwidth of a selection-kernel estimator and this bandwidth is appropriately rescaled for use in a Gaussian kernel estimator. The proposed selection kernels are linear combinations of two Gaussian kernels and need not be unimodal or positive. A theory is developed showing that the relative error of ICV bandwidths can converge to 0 at a rate of n−1/4, which is substantially better than the n−1/10 rate of LSCV. Interestingly, the selection kernels that are best for purposes of bandwidth selection are very poor if used to actually estimate the density function. This property appears to be part of the larger and well-documented paradox to the effect that “the harder the estimation problem, the better cross-validation performs.” The ICV method uniformly outperforms LSCV in a simulation study, a real data example, and a simulated example in which bandwidths are chosen locally. Supplemental materials for the article are available online.