An Optimal Property of Kernel Estimators of a Probability Density
概率密度核估计量的一项最优性质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：摘要研究通用密度及导数估计的最优性，没有经济分布效应的直接证据。
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
概率密度核估计量的一项最优性质
- 研究问题
- 在只使用目标点附近收缩区间内观测且渐近无偏的非参数估计量中，核估计能否达到方差下界并推广到导数估计？
- 方法与思路
- 作者在局部观测与渐近无偏的估计量类中推导方差下界，考察核估计的达到性质，并扩展至导数及偏差改进估计。
- 材料陈述的贡献
- 摘要称核估计量可达到所述方差下界，并将结果推广到密度导数，以及通过消除不需要项来改善偏差的导数估计。
- 阅读关注点
- 应核对估计量类、局部区间收缩方式和无偏性条件，以及达到下界的核与导数偏差改进所需的限制。
- 阅读边界
- 仅据 Crossref 摘要；其中方差对象及导数排版应查原文核对，不重构公式；最优性范围与刊本变化未说明。
原文摘要
SUMMARY Let f̂(x) be an asymptotically unbiased, nonparametric estimator of the density f(x) based on observations falling within the interval (x – ∈, x + ∈), where ∈ → 0 as the sample size diverges. We derive a lower bound to the variance of f(x), and prove that the bound is attained by a kernel estimator. This result is extended to estimates of f (r)(x), and to estimates of derivatives whose bias is improved by taking out the effects of unwanted terms.