Kernel Density Estimation for Length Biased Data
长度偏倚数据的核密度估计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：摘要研究通用偏倚抽样下的密度估计，未明确涉及经济分布效应或其他所列应用。
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
长度偏倚数据的核密度估计
- 研究问题
- 当抽样产生长度偏倚时，如何构造合法的核密度估计，并改善零附近的表现、渐近积分误差及相关估计问题的扩展性？
- 方法与思路
- 作者通过平滑非参数最大似然估计构造新的核密度估计量，研究其性质，并与摘要所列的既有方法进行比较。
- 材料陈述的贡献
- 摘要称新估计量必为概率密度，在零附近表现更好，具有更优渐近平均积分平方误差性质，且更易扩展到密度导数估计。
- 阅读关注点
- 应核对长度偏倚抽样机制、平滑与带宽选择、零附近比较的含义，以及积分误差改善和导数扩展所需条件。
- 阅读边界
- 依据版本未注明的索引摘要；摘要未列出光滑性条件、带宽规则或误差改善数值，所称优势不能推广到任意密度和样本设定。
原文摘要
A new kernel density estimator for length biased data which derives from smoothing the nonparametric maximum likelihood estimator is proposed and investigated. It has various advantages over an alternative method suggested by Bhattacharyya, Franklin & Richardson (1988): it is necessarily a probability density, it is particularly better behaved near zero, it has better asymptotic mean integrated squared error properties and it is more readily extendable to related problems such as density derivative estimation.