Improvement of Kernel Type Density Estimators
核型密度估计量的改进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：摘要讨论通用密度点估计，未直接研究分位数、经济分布效应或其他所列具体方向。
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
核型密度估计量的改进
- 研究问题
- 在密度函数连续点进行核型估计时，如何减少偏差和均方误差，并让使用者选择偏差、方差或两者的改进？
- 方法与思路
- 作者采用广义 jackknife 方法修正核型密度估计，讨论渐近与小样本表现，并提供不同误差目标之间的选择空间。
- 材料陈述的贡献
- 摘要称，该方法可降低渐近和小样本均方误差及偏差，并允许选择减少偏差、减少方差或同时改善二者。
- 阅读关注点
- 应核对核函数、带宽、密度光滑性和组合权重，并检查不同改进目标成立的条件及相应偏差与方差权衡。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；无法核实刊本内容。摘要未列出正则条件或改善幅度，不能认定每种密度、带宽下均同时改善。
原文摘要
Estimation of the value of a density function at a point of continuity using a kernel-type estimator is discussed and improvements of the technique are presented. The generalized jackknife method is employed to reduce the asymptotic and small sample mean square error and bias of these estimators. The procedure presented has the flexibility to afford the user a choice between bias reduction, variance reduction, or both.