Iterated Transformation-Kernel Density Estimation
迭代变换核密度估计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：摘要涉及通用核密度估计与变量变换，未明确分位数效应、经济分布比较或其他所列细分。
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
迭代变换核密度估计
- 研究问题
- 如何通过数据选择变量变换的参数与变换族，并迭代这一过程，以改善核密度估计对不同密度形状的适应能力？
- 方法与思路
- 作者提出两种数据驱动的最优变换参数估计方式，允许同时采用多个变换族并迭代选择，结合真实数据、模拟和理论分析。
- 材料陈述的贡献
- 摘要称 Johnson 变换族结合核密度估计可使多种密度形状更易估计，并报告整体表现优于常规方法，但未给出具体幅度。
- 阅读关注点
- 应核对最优变换的损失准则、两种参数估计方法、变换族选择和迭代停止规则，以及理论改善与模拟比较各自的范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，且存在文字提取缺损；优越性是摘要陈述，条件与数值未提供，不能概括为普遍占优。
原文摘要
Transformation from a parametric family can improve the performance of kernel density estimation.In this paper, we give two data-driven estimators for the optimal transformation parameter.We demonstrate that multiple families of transformations can be employed at the same time, and there can be bene ts to iterating this process.The transformation scheme can be expected to rst pick the right transformation family and then the optimal parameter.Insight as to the performance of the method comes from our analysis of a number of real datasets, two of which are included in this paper.To illustrate the e ectiveness and asymptotics of the transformation method, we also present results on one of the ve target densities used in our simulation study.It is then proved that the Johnson Family of transformations, when coupled with transformation-kernel density estimation, makes a wide variety of density shapes easier to estimate.The transformation method has overall better performance than the usual method and in many cases it is much more e ective.