Nonparametric Maximum Likelihood Estimation of Spatial Patterns
空间模式的非参数最大似然估计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：摘要研究多维密度等值线和空间模式估计，未涉及网络干扰或经济政策的分布效应，现有细分键缺乏直接对应。
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
空间模式的非参数最大似然估计
- 研究问题
- 对于多维连续分布的独立样本，如何在不指定参数密度的情况下，通过最大似然描绘密度等值线及空间分布模式？
- 方法与思路
- 作者指定边界可作为等值线的集合类，在相应密度类中最大化似然；集合类须满足σ格和F一致性类要求，并允许部分数据依赖。
- 材料陈述的贡献
- 摘要称方法扩展到集合类可随数据作位置或旋转变换的情形，并在所述最一般设定下证明估计量的强一致性。
- 阅读关注点
- 应核对集合类的两项限制、密度估计的存在性与计算步骤，以及数据依赖的位置或旋转变换如何进入强一致性证明。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex摘要；计算便捷性是摘要陈述，具体集合类、实现成本与有限样本效果未提供。
原文摘要
Let $\mathbf{X}$ be an absolutely continuous random variable in $\mathbb{R}^k$ with distribution function $F(\mathbf{x})$ and density $f(\mathbf{x})$. Let $\mathbf{X}_1, \cdots, \mathbf{X}_n$ be independent random variables distributed according to $F$. Mapping the spatial distribution of $\mathbf{X}$ normally entails drawing a map of the isopleths, or level curves, of $f$. In this paper, it is shown how to map the isopleths of $f$ nonparametrically according to the criterion of maximum likelihood. The procedure involves specification of a class $\mathscr{L}$ of sets whose boundaries constitute admissible isopleths and then maximizing the likelihood $\prod^n_{i = 1} g(\mathbf{x}_i)$ over all $g$ whose isopleths are boundaries of $\mathscr{L}$-sets. The only restrictions on $\mathscr{L}$ are that it be a $\sigma$-lattice and an $F$-uniformity class. The computation of the estimate is normally straightforward and easy. Extension is made to the important case where $\mathscr{L}$ may be data-dependent up to locational and/or rotational translations. Strong consistency of the estimator is shown in the most general case.