lpdensity: Local Polynomial Density Estimation and Inference
lpdensity：局部多项式密度估计与推断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：摘要直接研究密度、累积分布函数及置信带，属于分布估计方法，但没有讨论具体政策的分布效应。
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…
lpdensity：局部多项式密度估计与推断
- 研究问题
- 紧支撑分布的密度估计如何处理边界偏差，并在较少调参的情况下提供密度、分布函数及其相关对象的可靠推断？
- 方法与思路
- 作者介绍 R 与 Stata 的 lpdensity 软件，以边界自适应的局部多项式方法估计密度、累积分布函数和密度导数。
- 材料陈述的贡献
- 摘要称软件提供方差估计、均方误差最优带宽、稳健偏差校正推断及置信带，并通过模拟与其他密度软件比较。
- 阅读关注点
- 应核对边界自适应的条件、带宽与偏差校正的具体实现、置信带覆盖对象，以及软件比较采用的设计和评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出理论条件和模拟结果，不能据此判断软件的普遍优势。
原文摘要
Density estimation and inference methods are widely used in empirical work. When the underlying distribution has compact support, conventional kernel-based density estimators are no longer consistent near or at the boundary because of their well-known boundary bias. Alternative smoothing methods are available to handle boundary points in density estimation, but they all require additional tuning parameter choices or other typically ad hoc modifications depending on the evaluation point and/or approach considered. This article discusses the R and Stata package lpdensity implementing a novel local polynomial density estimator proposed and studied in Cattaneo, Jansson, and Ma (2020, 2021), which is boundary adaptive and involves only one tuning parameter. The methods implemented also cover local polynomial estimation of the cumulative distribution function and density derivatives. In addition to point estimation and graphical procedures, the package offers consistent variance estimators, mean squared error optimal bandwidth selection, robust bias-corrected inference, and confidence bands construction, among other features. A comparison with other density estimation packages available in R using a Monte Carlo experiment is provided.