Kernels for Nonparametric Curve Estimation
非参数曲线估计的核函数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：摘要主要研究通用非参数核估计，未明确对应所列计量领域细分。
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
非参数曲线估计的核函数
- 研究问题
- 如何为回归函数及其导数的非参数估计选择核函数，并兼顾渐近误差、有限样本表现与数据边界处的偏差？
- 方法与思路
- 作者推导最小化渐近方差或渐近积分均方误差的核函数，开展有限样本研究，并构造适用于边界的修正核。
- 材料陈述的贡献
- 摘要称得到最优核的显式表达，并使边界估计保留内部点的偏差阶；积分均方误差最优性的证明限于五阶以内。
- 阅读关注点
- 应核对核函数优化的约束、阶数定义与带宽选择，检查五阶证明限制，以及高阶核在有限样本中的适用情形。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断高阶核在具体样本中的优势；摘要未说明完整正则条件、带宽方案与数值结果。
原文摘要
SUMMARY The choice of kernels for the nonparametric estimation of regression functions and of their derivatives is investigated. Explicit expressions are obtained for kernels minimizing the asymptotic variance or the asymptotic integrated mean square error, IMSE (the present proof of the optimality of the latter kernels is restricted up to order k = 5). These kernels are also of interest for the nonparametric estimation of probability densities and spectral densities. A finite sample study indicates that higher order kernels – asymptotically improving the rate of convergence – may become attractive for realistic finite sample size. Suitably modified kernels are considered for estimating at the extremities of the data, in a way which allows to retain the order of the bias found for interior points.