Optimal model selection for density estimation of stationary data under various mixing conditions
不同混合条件下平稳数据密度估计的最优模型选择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：题名与摘要明确研究平稳依赖数据，并以 β 和 τ 混合条件描述序列相关性。
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
不同混合条件下平稳数据密度估计的最优模型选择
- 研究问题
- 研究观测并非独立而是平稳混合序列时，如何为边际密度估计选择模型，并利用数据确定惩罚项的主要常数。
- 方法与思路
- 作者提出分块重抽样惩罚方法，在 β 或 τ 混合条件下分析所选估计量的预言不等式，并研究斜率启发式。
- 材料陈述的贡献
- 摘要称预言不等式的首项常数渐近趋于一，并在同一依赖数据框架下证明用于优化惩罚常数的斜率启发式。
- 阅读关注点
- 阅读全文时应核对混合系数衰减条件、分块长度、模型集合，以及首项常数趋于一和斜率启发式成立的具体要求。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断混合条件强度、余项大小及实际惩罚校准方式，也不能推断其他版本的变化。
原文摘要
We propose a block-resampling penalization method for marginal density estimation with nonnecessary independent observations. When the data are β or τ-mixing, the selected estimator satisfies oracle inequalities with leading constant asymptotically equal to 1. We also prove in this setting the slope heuristic, which is a data-driven method to optimize the leading constant in the penalty.