Testing Parametric Distribution Family Assumptions via Differences in Differential Entropy
利用微分熵差异检验参数分布族假设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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用分布族拟合检验，未涉及分位数效应、因果分布效应或金融尾部风险。
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…
利用微分熵差异检验参数分布族假设
- 研究问题
- 如何通过一个统一且便于实施的统计检验，判断随机样本是否与某个给定的参数分布族相容？
- 方法与思路
- 作者比较原假设下极大似然得到的微分熵估计与非参数 bootstrap 核密度熵估计，以差异度量模型拟合。
- 材料陈述的贡献
- 摘要称，DDE 检验适用于多类分布，计算高效，渐近有效性依托极大似然、bootstrap 与核密度估计理论。
- 阅读关注点
- 应核对熵差异统计量和检验校准、核密度带宽如何确定，以及无需调参和特殊正则条件的主张适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列明渐近条件，无法判断无调参主张及小样本表现。
原文摘要
We introduce a broadly applicable statistical procedure for testing which parametric distribution family generated a random sample of data. The method, termed the Difference in Differential Entropy (DDE) test, provides a unified framework applicable to a wide range of distributional families, with asymptotic validity grounded in established maximum likelihood, bootstrap, and kernel density estimation principles. The test is straightforward to implement, computationally efficient, and requires no tuning parameters or specialized regularity conditions. It compares an MLE-based estimate of differential entropy under the null hypothesis with a nonparametric bootstrapped kernel density estimate, using their divergence as an information-theoretic measure of model fit.