On Estimating Mixing Densities in Discrete Exponential Family Models
离散指数族模型中混合密度的估计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：摘要属于通用混合密度反演估计，没有明确研究分位数或经济分布效应等所列细分。
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
离散指数族模型中混合密度的估计
- 研究问题
- 在已知离散指数族成分、观测为独立同分布混合样本时，如何估计未知混合密度及其导数，并确定最优速率？
- 方法与思路
- 作者用 Fourier 方法构造核估计，推导收敛速率上界与最优速率下界，并进一步讨论混合分布函数估计。
- 材料陈述的贡献
- 摘要称，在给定成分概率下界和 Lipschitz 光滑条件下，导数估计达到对数型最优速率；另一条件下接近最优。
- 阅读关注点
- 应核对指数族和混合密度的限制、成分概率下界、导数阶数与光滑度的关系，以及速率使用的损失准则。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；最优性依赖明确的下界与光滑条件，完整证明和可实施参数选择未说明。
原文摘要
This paper concerns estimating a mixing density function $g$ and its derivatives based on iid observations from $f(x) = \int f(x \mid \theta)g(\theta)d\theta$, where $f(x \mid \theta)$ is a known exponential family of density functions with respect to the counting measure on the set of nonnegative integers. Fourier methods are used to derive kernel estimators, upper bounds for their rate of convergence and lower bounds for the optimal rate of convergence. If $f(x \mid \theta_0) \geq \varepsilon^{x + 1} \forall x$, for some positive numbers $\theta_0$ and $\varepsilon$, then our estimators achieve the optimal rate of convergence $(\log n)^{-\alpha + m}$ for estimating the $m$th derivative of $g$ under a Lipschitz condition of order $\alpha > m$. The optimal rate of convergence is almost achieved when $(x!)^\beta f(x \mid \theta_0) \geq \varepsilon^{x + 1}$. Estimation of the mixing distribution function is also considered.