Dimension-invariant uniform consistency of the empirical spatial distribution function and its associated spatial depth estimator
经验空间分布函数的维度不变一致性与空间深度估计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。
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：摘要讨论的是空间分布函数与空间深度估计量的均匀一致性这一非参数统计理论问题，未涉及因果推断、面板、离散选择、时间序列、资产定价等所列领域细分的具体内容，故不选择任何细分方向。
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…
经验空间分布函数的维度不变一致性与空间深度估计
- 研究问题
- 摘要称，本文研究 $\mathbb R^d$ 中经验空间分布估计量及其对应的空间深度插入估计量是否具有一致收敛性，以及该收敛速度是否依赖于维度 $d$ 或调优参数。
- 方法与思路
- 作者提出对经验空间分布估计量与相应的空间深度插入估计量给出均匀 $L^1$ 一致性的证明，并声称所得到的收敛速度只取决于样本量 $n$，不依赖于维度 $d$ 或任何调优、正则化参数。摘要未说明具体的证明技术、假设条件或深度函数定义。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：证明上述两个估计量具有均匀 $L^1$ 一致性，且收敛速度与维度无关、无需调优或正则化参数；作者称这一性质较为罕见。摘要未说明该结果相对已有文献的具体改进幅度或适用范围。
- 阅读关注点
- 阅读全文时应核对：均匀 $L^1$ 一致性所依赖的分布假设与矩条件；空间深度的具体定义与插入估计量的构造；收敛速度的精确形式及其对 $n$ 的依赖；维度无关性在何种条件下成立、是否存在隐含限制；证明是否覆盖所有 $d$ 或仅特定情形。
- 阅读边界
- 本文为 arXiv 预印本，未经同行评审或期刊接收验证，不能据此声称已获认可。摘要未说明识别假设、定理细节、证明技术、数值结果与适用边界；摘要提到结果源于与 ChatGPT 的对话，这属于作者自述背景，不构成对结论正确性的验证。
原文摘要
We provide a proof that the empirical spatial distribution estimator in $\mathbb R^d$ as well as the corresponding plug-in estimator of the spatial depth are uniformly $L^1$-consistent. The consistency rate only depends on the sample size $n$, not on the dimension $d$ or any tuning or regularization parameters. This is a rare property. The result of this note originates from a conversation with ChatGPT 5.4 Pro as part of some of our own earlier experiments on its mathematical reasoning capabilities.