The Consistency of Automatic Kernel Density Estimates
自动核密度估计的一致性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：摘要属于一般核密度估计理论，未讨论分位数或经济分布效应，缺乏匹配所列细分方向的直接证据。
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
自动核密度估计的一致性
- 研究问题
- 多维核密度估计使用数据依赖的平滑参数时，哪些渐近条件能保证对所有待估密度在几乎处处的位置实现点态一致性？
- 方法与思路
- 作者研究 Parzen–Rosenblatt 核密度估计，给出平滑参数渐近行为的充分条件，并考察仅依赖样本量时的必要性。
- 材料陈述的贡献
- 摘要称，确定性平滑参数情形下这些条件也是必要条件，并由相关定理推出多种自动核密度估计的一致性。
- 阅读关注点
- 核对核函数限制、随机平滑参数的条件，以及点态一致性所采用的收敛方式和“几乎处处”对应的测度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体条件与自动规则未列出，不能将点态一致性推广为一致收敛或最优速率。
原文摘要
We consider the Parzen-Rosenblatt kernel density estimate on $\mathbb{R}^d$ with data-dependent smoothing factor. Sufficient conditions on the asymptotic behavior of the smoothing factor are given under which the estimate is pointwise consistent almost everywhere for all densities $f$ to be estimated. When the smoothing factor is a function only of the sample size $n$, it is shown that these conditions are also necessary, a generalization of results by Deheuvels. The consistency of various automatic kernel density estimates is a simple consequence of these theorems.