Robust Likelihood Cross-Validation for Kernel Density Estimation
核密度估计的稳健似然交叉验证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：摘要研究通用多元核密度估计的带宽选择，应用为空气污染；未明确涉及分布处理效应、宏观时间序列或金融风险等所列专门方向。
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…
关注这篇论文的作者
核密度估计的稳健似然交叉验证
- 研究问题
- 似然交叉验证在极端观测和厚尾分布下较敏感，如何为多元核密度估计选择带宽，同时兼顾估计效率与对极端值的稳健性？
- 方法与思路
- 作者从稳健极大似然框架推导带宽准则：对非极端观测采用似然交叉验证思路，对极端观测平滑转向最小二乘交叉验证，并建议阈值规则。
- 材料陈述的贡献
- 摘要称该准则结合似然交叉验证的效率与最小二乘交叉验证的稳健性，并以蒙特卡洛模拟及中国空气污染数据展示有限样本表现。
- 阅读关注点
- 核对平滑过渡的具体准则、阈值选择规则、不同尾部与维数下的模拟表现，以及空气污染应用中带宽和密度估计的比较方式。
- 阅读边界
- 摘要未给出一致性、最优收敛率或普遍占优的理论结论，也未报告具体模拟数值；对极端值的稳健性不能据此推广到所有分布。
原文摘要
Likelihood cross-validation for kernel density estimation is known to be sensitive to extreme observations and heavy-tailed distributions. We propose a robust likelihood-based cross-validation method to select bandwidths in multivariate density estimations. We derive this bandwidth selector within the framework of robust maximum likelihood estimation. This method establishes a smooth transition from likelihood cross-validation for nonextreme observations to least squares cross-validation for extreme observations, thereby combining the efficiency of likelihood cross-validation and the robustness of least-squares cross-validation. We also suggest a simple rule to select the transition threshold. We demonstrate the finite sample performance and practical usefulness of the proposed method via Monte Carlo simulations and a real data application on Chinese air pollution.