Data-Based Optimal Smoothing of Orthogonal Series Density Estimates
正交级数密度估计的数据驱动最优平滑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：摘要研究一般非参数密度平滑，未直接讨论经济分布效应或其他所列应用方向。
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
正交级数密度估计的数据驱动最优平滑
- 研究问题
- 在独立样本与一定密度光滑性条件下，如何由数据选择正交级数密度估计的平滑参数和形状参数以控制误差？
- 方法与思路
- 作者对正交展开的经验系数施加由平滑参数与形状参数共同决定的收缩，并提出以积分均方误差为目标的选择方法。
- 材料陈述的贡献
- 摘要将客观、简单的数据驱动参数选择方法列为主要新结果，目标是最小化积分均方误差，并称结果可扩展至多维。
- 阅读关注点
- 应核对密度光滑性与正交基的条件、积分均方误差如何估计，以及参数选择的最优性和多维扩展究竟如何表述。
- 阅读边界
- 所给材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未说明选择算法和最优性条件，不能据此断言有限样本最优。
原文摘要
Let $f$ be a density possessing some smoothness properties and let $X_1,\cdots, X_n$ be independent observations from $f$. Some desirable properties of orthogonal series density estimates $f_{n,m,\lambda}$ of $f$ of the form $f_{n,m,\lambda}(t) = \sum^n_{\nu = 1} \frac{\hat{f}_\nu}{(1 + \lambda\nu^{2m})} \phi_\nu(t)$ where $\{\phi_\nu\}$ is an orthonormal sequence and $\hat{f}_\nu = (1/n)\sum^n_{j=1} \phi_\nu(X_j)$ is an estimate of $f_\nu = \int \phi_\nu(t)f(t) dt$, are discussed. The parameter $\lambda$ plays the role of a bandwidth or "smoothing" parameter and $m$ controls a "shape" factor. The major novel result of this note is a simple method for estimating $\lambda$ (and $m$) from the data in an objective manner, to minimize integrated mean square error. The results extend to multivariate estimates.