Iterated Transformation–Kernel Density Estimation
迭代变换与核密度估计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：摘要研究通用非参数密度估计，未明确涉及经济学分位数或分布效应。
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…
关注这篇论文的作者
迭代变换与核密度估计
- 研究问题
- 如何通过数据驱动的变换族和参数选择改善核密度估计，并判断同时使用多个变换族及迭代变换是否有益？
- 方法与思路
- 作者提出两种最优变换参数估计量，允许多个变换族共同参与并迭代处理，结合真实数据、模拟和 Johnson 变换族分析。
- 材料陈述的贡献
- 摘要称 Johnson 变换配合核密度估计可使多类密度更易估计，并报告总体表现优于常规方法，但未列出评价指标。
- 阅读关注点
- 应核对最优参数的损失目标、变换族选择和迭代停止规则，以及变换后密度如何还原，检查理论范围与模拟覆盖面。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体渐近条件、带宽规则及比较数值未说明，不能推广为对任意密度均有优势。
原文摘要
Transformation from a parametric family can improve the performance of kernel density estimation. In this article we give two data-driven estimators for the optimal transformation parameter. We demonstrate that multiple families of transformations can be used at the same time, and there can be benefits to iterating this process. The transformation scheme can be expected to first pick the right transformation family and then pick the optimal parameter. Insight as to the performance of the method comes from our analysis of a number of real datasets, two of which are included in this article. To illustrate the effectiveness and asymptotics of the transformation method, we also present results on one of the five target densities used in our simulation study. It is then proved that the Johnson family of transformations, when coupled with transformation-kernel density estimation, makes a wide variety of density shapes easier to estimate. The transformation method has overall better performance than the usual method and in many cases is much more effective.