Monte Carlo Study of Three Data-Based Nonparametric Probability Density Estimators
三种数据驱动非参数概率密度估计方法的蒙特卡洛研究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：摘要讨论通用密度估计与算法比较，未涉及经济分布效应或其他给定细分方向。
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…
关注这篇论文的作者
三种数据驱动非参数概率密度估计方法的蒙特卡洛研究
- 研究问题
- 如何从随机样本自动确定密度估计的平滑程度，并比较三种数据驱动算法的统计精度、异常值敏感性和计算成本？
- 方法与思路
- 作者评述三种可由样本完整确定密度估计的算法，通过蒙特卡洛模拟比较积分均方误差，并考察异常值影响与计算时间。
- 材料陈述的贡献
- 摘要称，这些数据驱动算法的统计精度似乎与理论模型预测的水平相当，同时提供了异常值敏感性和计算需求的比较。
- 阅读关注点
- 阅读全文时应核对三种算法的平滑选择规则、模拟分布与样本量、积分均方误差的计算方式，以及异常值设置和计时环境。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体算法、模拟设定及数值结果，不能据此判断哪种方法普遍更优。
原文摘要
Although the theoretical properties of modern nonparametric probability density estimators have been studied for 25 years, there remains the practical problem of how to specify the amount of bias or smoothing in a density estimate based on a random sample. In this paper we review and evaluate three recently developed data-based algorithms that completely specify a density estimate from a random sample. Using Monte Carlo techniques, we compare the statistical accuracy of these algorithms as measured by the integrated mean squared error. In addition, we examine the sensitivity of these algorithms to outliers and estimate computer time requirements. One conclusion we draw is that the statistical accuracy of these data-based algorithms seems comparable to levels predicted by theoretical models.