On Pseudodata Methods for Removing Boundary Effects in Kernel Density Estimation
用伪数据方法消除核密度估计的边界效应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边界修正，未涉及所列细分中的分位数或经济分布效应。
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
用伪数据方法消除核密度估计的边界效应
- 研究问题
- 如何修正核密度估计在支撑集端点附近的边界偏差，并让修正方法适用于不同阶数的核与带宽选择？
- 方法与思路
- 作者提出在密度支撑集之外生成伪数据以修正边界，并讨论与插件法、最小二乘交叉验证及强度估计的结合。
- 材料陈述的贡献
- 摘要称该估计在端点仍有最优偏差与方差阶；特定模拟中，其端点均方误差低于边界核法，小样本尤其明显。
- 阅读关注点
- 应核对伪数据生成规则、最优阶所需条件、不同核阶数的处理，以及模拟中密度形状、样本量与带宽的设置。
- 阅读边界
- 仅据所给Crossref摘要；模拟优势限于所述密度与端点设置，具体条件和数值未提供，不能外推为普遍优势。
原文摘要
SUMMARY We suggest a method for boundary correcting kernel density estimators, based on generating pseudodata beyond the extremities of the density's support. The estimator produced in this way enjoys optimal orders of bias and variance right up to the ends of the support, and it may be used with kernels of arbitrary order. Our method is considerably more adaptive than the common data reflection approach, which is not really appropriate for kernels of order 2 or more since it does not adequately correct boundary bias. In a simulation study, for densities on [0,1] with positive slope at x = 0, our method was found to have lower mean-squared error at x = 0 than the boundary kernel method, especially for small sample sizes. Our technique may be used in conjunction with plug-in or least squares cross-validation methods of bandwidth selection and has an analogue in the context of estimating a point process intensity.