TAKDE: Temporal Adaptive Kernel Density Estimator for Real-Time Dynamic Density Estimation
Northeastern University(东北大学);Texas A&M University(德克萨斯A&M大学)
本文提出时间自适应核密度估计器(TAKDE),基于滑动窗口核密度估计的AMISE上界进行理论优化,在合成和真实数据上以更小运行时间获得更优测试对数似然。
2023-11-08 cs.LG eess.SP stat.ML
Neural-Kernelized Conditional Density Estimation
NAIST(奈良先端科学技术大学院大学);UCL(伦敦大学学院);Univ. Helsinki(赫尔辛基大学)
条件密度估计是解决机器学习中各种问题的通用框架。在现有的方法中,非参数和/或基于核的方法通常难以用于大型数据集,而基于神经网络的方法通常对概率密度进行限制性的参数假设。在这里,我们提出了一种新的方法来估计基于得分匹配的条件密度。与现有的方法相比,我们采用可扩展的神经网络,但不做明确的参数假设密度。将分数匹配应用于神经网络的关键挑战是计算对数密度模型的一阶和二阶导数。我们通过开发一种新的神经核化方法来解决这一挑战,该方法可以应用于具有随机梯度下降的大型数据集,而再生核允许轻松计算分数匹配所需的导数。我们证明了神经核函数逼近器具有通用的逼近能力,并且我们的方法在条件密度估计中是一致的。数值结果表明,我们的方法是有用的高维条件密度估计,并与现有的方法相比毫不逊色。最后,我们证明了所提出的方法有有趣的连接到两个概率原则框架的表示学习:非线性充分降维和非线性独立成分分析。
2018-06-05 cs.LG stat.ML
Robust Kernel Density Estimation with Median-of-Means principle
本文结合核密度估计方法和均值中值原理(MoM-KDE),提出了一种稳健的非参数密度估计方法。该估计实现任何类型的异常数据的鲁棒性,即使在对抗性污染的情况下。特别是,虽然以前的作品只证明已知的污染模型下的一致性结果,这项工作提供了有限样本的高概率误差界没有先验知识的离群值。最后,当与其他强大的核估计相比,我们表明,MoM-KDE实现竞争力的结果,同时具有显着较低的计算复杂性。
2020-06-30 math.ST stat.ML stat.TH
Kernel Density Estimation by Stagewise Algorithm with a Simple Dictionary
Hyogo University of Health Sciences(兵库医疗大学);Chiba University(千叶大学)
本文提出了基于$U$ -散度和一个简单字典的多变量核密度估计的阶段最小化算法。该字典由一个合适的标量带宽矩阵和一部分原始数据组成。由此产生的估计给我们带来了数据自适应的加权参数和带宽矩阵,并实现了核密度估计的稀疏表示。我们开发的非渐近误差界估计通过建议的阶段最小化算法。模拟研究证实,该估计量的性能与其他已知的密度估计量相比具有竞争力或更好。
2021-08-10 cs.LG stat.CO stat.ME
Signed variable optimal kernel for non-parametric density estimation
我们导出了经典统计密度估计的最优符号变量核,它是著名的Epanechnikov核的一些推广。
2021-02-15 math.ST stat.TH
From Adaptive Kernel Density Estimation to Sparse Mixture Models
Vrije Universiteit Brussel (VUB)(布鲁塞尔自由大学(VUB));imec(比利时微电子研究中心);Xi’an Jiaotong University(西安交通大学)
我们介绍了一个气球估计在广义期望最大化方法估计的所有参数的高斯混合模型给定一个数据样本的混合成分。这种正则化策略没有明确限制模型大小,而是产生低复杂度的稀疏模型,其中有效混合成分的数量随着平滑概率参数$\mathbf{P>0}$的增加而减少。这种半参数方法从非参数自适应核密度估计(KDE)过渡到参数普通最小二乘,当$\mathbf{P=1}$。实验表明,更简单的稀疏混合模型保留了自适应KDE解决方案中存在的细节水平。
2018-12-11 cs.LG stat.ML
Learnable Kernel Density Estimation for Graphs and Its Application to Graph-Level Anomaly Detection
University of Science and Technology of China(中国科学技术大学)
提出LGKDE框架,通过图神经网络表示图分布并利用最大均值差异学习多尺度核密度估计,在理论保证下有效捕获结构模式和语义变化,在图异常检测任务中优于现有方法。
2026-06-05 cs.LG stat.ML
SD-KDE: Score-Debiased Kernel Density Estimation
Stanford University(斯坦福大学)
提出SD-KDE方法,利用估计的分数函数对核密度估计进行去偏,通过单步调整和修改带宽消除前导偏差,实验显示在合成数据和MNIST上显著降低MISE。
2025-06-22 cs.LG stat.ML
Smooth Kernel Estimation of a Circular Density Function: A Connection to Orthogonal Polynomials on the Unit Circle
在这篇文章中,我们提供了一个简单的逼近论的动机的圆形内核密度估计,并进一步探讨在这种情况下,包装柯西内核的有用性。可以看出,包裹的柯西核出现作为一个自然的候选人在连接到正交系列密度估计的单位圆。这进一步增加了包装柯西在循环统计中的重要作用。
2016-01-19 math.ST stat.TH
Condition Number Analysis of Kernel-based Density Ratio Estimation
两个概率密度的比率可以用于解决各种机器学习任务,例如协变量移位自适应(重要性抽样),离群值检测(似然比检验)和特征选择(互信息)。最近,已经开发了几种直接估计密度比的方法,例如,核均值匹配、极大似然密度比估计和最小二乘密度比拟合。在本文中,我们考虑一个核化的最小二乘方法的变体,并从条件数的角度使用平滑分析技术研究其理论性质--Hessian矩阵的条件数决定了优化的收敛速度和数值稳定性。我们表明,核最小二乘方法有一个更小的条件数比核均值匹配和其他M-估计的版本,这意味着核最小二乘方法具有更好的数值特性。我们进一步给出了另一种形式的核最小二乘估计,这是具有更小的条件数。我们表明,数值研究符合我们的理论分析。
2009-12-15 math.ST stat.ML stat.TH
Shallow Neural Hawkes: Non-parametric kernel estimation for Hawkes processes
Indian Institute of Science(印度科学学院)
多维Hawkes过程(MHP)是一类自激和互激的点过程,它的应用范围很广,从地震预测到高频交易中的订单模型。本文的主要贡献有两点:首先,我们为Hawkes过程的对数似然估计找到了一个无偏估计量,从而有效地利用随机梯度下降法进行极大似然估计。第二个贡献是,我们提出了一个特定的单隐层神经网络的MHP的底层内核的非参数估计。我们在合成数据集和真实数据集上对所提出的模型进行了评估,发现该方法具有与现有估计方法相当或更好的性能。浅层神经网络的使用确保了我们不会在Hawkes模型的可解释性上妥协,同时具有估计任何非标准Hawkes激发核的灵活性。
2020-06-03 cs.LG q-fin.TR stat.ML
Auxiliary results for "Nonparametric kernel estimation of the probability density function of regression errors using estimated residuals"
这份手稿是一份补充文件,为我们题为“使用估计残差对回归误差的密度函数进行非参数核估计”[arXiv:1010.0439]的论文提供了省略的材料。论文发表于《非参数统计杂志》。
2012-03-26 math.ST stat.TH
Minimax Lower Bounds of Kernel Discrepancy Estimation: MMD, HSIC, KSD
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);London School of Economics(伦敦政治经济学院)
研究核差异估计(MMD、HSIC、KSD)在一般拓扑空间上的极小极大下界,在对核的温和假设下证明其为\(n^{-1/2}\),解决了这些核差异最优估计问题,均值嵌入等估计也有相同速率。
2026-07-28 cs.LG math.ST stat.ML
Optimal kernel selection for density estimation
我们提供了新的一般内核选择规则感谢惩罚最小二乘标准。我们得到最优预言不等式使用适当的浓度工具。我们还研究了[BM 07]中所描述的最小惩罚问题。
2015-11-06 math.ST stat.TH
Adaptive optimal kernel density estimation for directional data
本文主要研究方向数据的非参数密度估计问题。提出了一种新的核密度估计带宽选择规则。我们的过程是自动的,完全数据驱动的,并适应密度的平滑程度。我们得到了一个预言不等式和L2误差下的最优收敛速度。我们的理论结果与模拟说明。
2018-08-07 math.ST stat.TH
M-decomposability, elliptical unimodal densities, and applications to clustering and kernel density estimation
Chia和Nakano(2009)引入了一维概率密度的M-可分解性的概念。本文将M-可分解性推广到任意维数。我们证明了所有的椭圆单峰密度都是M-不可分解的。我们还推导出一个不等式,表明它是更好地表示M-可分解的密度通过单峰密度的混合。最后,我们展示了应用M-分解聚类和核密度估计,使用真实和模拟数据。我们的结果表明,M-可分解性可以作为一个非参数的标准来定位模式的概率密度。
2010-04-21 math.ST stat.ME stat.ML
Kernel Density Estimation by Genetic Algorithm
提出了一种基于遗传算法的多变量核密度估计的数据压缩方法。首先,我们提出的算法生成多个给定大小的子样本,从原始样本中进行替换。在遗传算法的术语中,子样本及其构成数据点分别被视为$\it{chromosome}$和$\it{gene}$。其次,每对子样本产生两个新的子样本,其中每个数据点以一定概率面对$\it{crossover}$、$\it{mutation}$或$\it{reproduction}$。在适应度值方面占主导地位的子样本被下一代继承。这个过程是重复一代一代,并带来了核密度估计的稀疏表示在其完成。我们从模拟研究中证实,由此产生的估计可以比其他知名的密度估计更好地执行。
2022-03-03 cs.NE stat.CO stat.ME
Fast Spectrum Estimation of Some Kernel Matrices
Emory University(埃默里大学)
提出一种无需显式构造完整核矩阵即可估计其所有特征值量级的框架,适用于均匀分布点集上快速衰减核函数生成的矩阵,并给出理论保证和实验验证。
2026-05-25 cs.NA math.NA stat.ML
The Minimax Lower Bound of Kernel Stein Discrepancy Estimation
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Louisiana at Lafayette(路易斯安那大学拉斐特分校);London School of Economics(伦敦政治经济学院)
本文研究了核stein散度估计的最小最大下界,证明了在R^d空间中使用 Langevin-Stein 操作符时,估计难度随维度d指数增长,同时在一般域上确立了最优性。
2026-03-30 cs.LG math.ST stat.ML
Estimation of slowly decreasing Hawkes kernels: Application to high frequency order book modelling
我们提出了arXiv:1401.0903中研究的非参数Hawkes核估计过程的修改版本,该过程适用于缓慢减小的核。我们表明,涉及一个合理的事件数的数值模拟,这种方法使我们能够忠实地估计幂律递减内核在至少60年。然后,我们提出了一个8维霍克斯模型的所有事件与第一级的一些资产订单簿。应用我们的估计程序,这个模型,使我们能够揭示的主要属性的耦合动态的贸易,限制和取消订单的关系,中间价格的变化。
2014-12-22 q-fin.ST q-fin.TR stat.ME
Estimation of the r-th derivative of a density function by the tilted kernel estimator
我们考虑通过Hall和Doosti(2012)中引入的倾斜核估计器估计密度函数f的s阶导数的问题。然后,我们进一步证明了这个估计器达到了相同的收敛速度,在概率,小波估计器实现了霍尔和帕蒂尔(1995)。
2015-10-27 math.ST stat.TH
Bivariate density estimation using normal-gamma kernel with application to astronomy
考虑了支持$\Re\times[0,\infty)$的二元密度函数的估计问题,其中经典的二元核估计由于非负变量而引起边界偏差。为了克服这个问题,我们提出了四个核密度估计,并比较他们的性能方面的平均积分平方误差。仿真研究表明,基于正态伽玛核的估计器性能最好。两个天文数据集被用来证明这种估计的适用性。
2018-07-06 astro-ph.IM stat.AP
Adaptive Kernel Estimation of the Spectral Density with Boundary Kernel Analysis
提出了平稳时间序列对数谱密度的一种混合估计方法。首先,进行多锥度估计,然后对对数多锥度估计进行核平滑。与简单地平滑对数锥形周期图相比,该过程将预期均方误差减少了$({π^2 \over 4})^{.8}$。最佳锥度数为$O(N^{8/15})$。给出了变带宽核平滑器的数据自适应实现方法。当谱密度不连续时,使用单侧平滑估计。
2018-03-11 cs.CV eess.AS eess.SP
Fast Exact Univariate Kernel Density Estimation
本文提出了一种新的计算效率高的核密度估计的方法。它示出了一个大类的内核允许使用简单的递归的密度估计的精确评估。同样的方法可以用来精确计算密度导数估计。给定有序样本,计算复杂度与样本量成线性关系。将所提出的方法与现有的近似方法相结合,可以实现非常快速的密度估计。大量的实验证明了这种方法与现有技术相比的有效性和效率。
2019-11-09 stat.CO
Reducing bias in nonparametric density estimation via bandwidth dependent kernels: $L_1$ view
我们定义了一个新的带宽依赖的核密度估计,提高了现有的收敛速度的偏差,并保留的变化,当误差测量$L_1$。没有对现存文献施加额外的假设。
2016-11-30 math.ST stat.TH
Statistical Estimation of Ergodic Markov Chain Kernel over Discrete State Space
我们研究了从一个长的状态观测序列估计离散状态马尔可夫链核参数的统计复杂性。在有限的情况下,我们的特点(模对数因子)的极大极小样本估计的复杂性相对于运营商的无穷范数,而在可数无限的情况下,我们分析的问题相对于一个自然的条目明智的范数来自全变差。我们表明,在这两种情况下,样本的复杂性是由未知链的混合性质,其中,在有限状态的情况下,有已知的有限样本估计完全经验的置信区间。
2020-08-13 cs.LG math.ST stat.ML
On the minimax optimality of Flow Matching through the connection to kernel density estimation
Ruhr University Bochum and Karlsruhe Institute of Technology(博鲁姆鲁尔大学和卡尔斯鲁厄理工学院)
本文通过将流匹配与核密度估计联系起来,证明了流匹配在Wasserstein距离下的最优收敛速率,并展示了其在高维设置中的理论基础。
2026-10-30 cs.LG math.ST stat.ML
Nonparametric kernel estimation of the probability density function of regression errors using estimated residuals
本文讨论了回归误差项与协变量无关的非参数密度估计。研究了利用估计残差的可行估计量与利用真残差的不可行估计量之间的差异。给出了用于估计残差的带宽的最佳选择。我们还研究了可行核估计的渐近正态性及其速率最优性。
2010-10-03 math.ST stat.TH
Kernel Estimation of Spot Volatility with Microstructure Noise Using Pre-Averaging
我们首先回顾的问题,估计现货波动率的伊藤半鞅使用核估计。证明了一般双边核的一个具有最优收敛速度的中心极限定理。接下来,我们引入了一个新的预平均/核估计现货波动率处理超高频观测的微观结构噪声。我们证明了一个中心极限定理的估计误差的最佳率和研究的最佳选择的带宽和核函数。我们表明,预平均/内核估计的渐近方差是最小的指数内核,因此,证明需要与内核的无界支持在这项工作中提出的。我们还开发了一个可行的实现建议的估计与最佳带宽。蒙特卡罗实验证实了所设计的方法的优越性能。
2022-02-07 econ.EM math.ST q-fin.ST
Kernel Density Estimation Bias under Minimal Assumptions
DELL(戴尔)
核密度估计是一种非常流行的从样本中近似密度函数的技术。准确性通常是很好理解的,粗略地说,取决于核衰减和真密度的局部平滑度。然而,文献中的具体陈述经常在非常具体的设置(简化或过于保守的假设)中引用,或者错过重要但微妙的点(例如,通常在没有提到紧性的情况下,在全局范围内应用泰勒展开)。本文的贡献是双重的(a)我们证明,当带宽是一个任意可逆矩阵趋于零,有必要保持一定的平衡之间的\emph{kernel decay}和\emph{magnitudes of bandwidth eigenvalues},事实上,没有足够的衰减的估计可能甚至没有界(b)我们给出了严格的推导与明确的常数的偏差的界限,在可能的最小假设。这将核衰减,带宽范数,带宽行列式和密度平滑性联系起来。民间传说泰勒公式的问题可以用更复杂的密度假设来解决(例如Wand和Jones的“Kernel Smoothing”第95页);我们证明这实际上是不必要的,可以单独通过内核衰减来处理。
2019-01-02 cs.LG math.ST stat.ML
Approximation for general bootstrap of empirical processes with an application to kernel-type density estimation
本文的目的是提供一个近似的广义自举经验过程,以达到Kolmos等人(1975)的速率。这个证明是基于与Horvath et al.(2000)相同的论证。因此,我们建立了自举核型密度估计的近似
2009-03-28 math.ST stat.TH
Spectral Equivariance and Geometric Transport in Reproducing Kernel Hilbert Spaces: A Unified Framework for Orthogonal Polynomial and Kernel Estimation
L.I.A.G.E, Institut National des Sciences de Gestion(国立管理科学研究所);Modeling and Calculus Lab, ROOTS-INSIGHTS(ROOTS-INSIGHTS 建模与计算实验室)
本文提出了一种基于双核空间的统一几何框架,通过谱等变性定理揭示了正交多项式估计器、核估计器和谱平滑方法之间的联系,为非参数估计提供了新的视角。
2025-12-15 math.ST stat.TH
Kernel Estimation for Nonlinear Dynamics
本研究在再生核希尔伯特空间框架下提出核估计方法用于非线性向量自回归模型,推导非渐近概率界,并给出相依数据下随机矩阵二次型的浓度界及最优收敛速率条件。
2025-02-25 math.ST stat.TH
Lower Bounds for Kernel Density Estimation on Symmetric Spaces
本文证明非紧型对称空间上的核密度估计达到极小极大收敛速率,通过抽象欧几里得空间运算并利用指数映射的微分同胚性质,完成了所有对称空间上该问题的研究。
2024-03-15 math.ST stat.TH
$β$-Divergence loss for the kernel density estimation with bias reduced
尽管非参数核密度估计是目前探索性数据分析中的标准方法,但如何评价估计的质量以及选择何种带宽是最佳的,仍存在很大的争议。本文研究了带偏差减少的核密度估计中最重要的带宽选择方法,特别是正态参考法、最小二乘交叉验证法、有偏交叉验证法和$β$ -散度损失法。描述了方法并给出了表达式。我们将在模拟数据上比较这些不同的带宽选择器。作为真实数据的示例,我们将在示例1和示例2中使用人均CO2计量经济数据集
2019-03-25 stat.ME
Optimal Kernel Estimation of Spot Volatility of Stochastic Differential Equations
核估计是非参数统计中应用最广泛的估计方法之一,具有广泛的应用,包括随机过程的现货波动率估计。带宽和核函数的选择是非常重要的,特别是对于计量经济学应用中经常遇到的有限样本设置。在现货波动率估计的背景下,大多数建议的选择方法要么主要是启发式的,要么只是正式说明,没有任何可行的实施。本文在波动率较温和的条件下,提出了一种客观的带宽和核选择方法,该方法不仅涵盖了经典布朗运动驱动的动力学过程,还涵盖了长记忆分数布朗运动或其他高斯过程驱动的过程。我们刻画了均方误差的首阶项,并得到了估计误差的中心极限定理的证明。作为副产品,近似的最佳带宽,然后获得封闭的形式。这一结果使我们能够开发一个可行的插件类型的带宽选择过程,其中,作为一个子问题,我们提出了一个新的估计的波动性的波动性。讨论了核函数的最优选择问题。对于布朗运动型波动,证明了最优核函数是指数核。对于分数布朗运动型波动率,给出了计算最优核函数的数值结果;对于确定性波动率,给出了不同阶次的显式最优核函数。仿真研究进一步证实了所提出的方法的良好性能。
2016-12-14 math.ST q-fin.ST stat.TH
Kernel Density Estimation on Symmetric Spaces of Non-Compact Type
我们在非紧型对称空间上构造了一个核密度估计,并建立了它的收敛速度的上界,类似于经典的核密度估计在欧几里得空间上的极小极大收敛速度.非紧型对称空间包括常负曲率双曲面和对称正定矩阵空间。本文在对称空间为正态分布空间,即二维双曲面的特殊情况下,得到了一个简化公式。
2022-06-29 math.ST stat.TH
Modal Regression using Kernel Density Estimation: a Review
本文综述了核密度估计在模态回归研究中的最新进展。模态回归是研究响应变量和协变量之间关系的另一种方法。具体而言,模态回归使用条件模式或局部模式总结了响应变量和协变量之间的相互作用。我们首先描述了模态回归的基本模型及其基于核密度估计的估计量。然后,我们审查的估计和策略的渐近性质选择平滑带宽。我们还讨论了有用的算法和类似的替代方法的模态回归,并提出了未来的发展方向。
2017-12-07 econ.EM stat.ME
When lookout sees crackle: Anomaly detection via kernel density estimation
Monash University(莫纳什大学);CSIRO(联邦科学与工业研究组织);Australian National University(澳大利亚国立大学)
本文改进了瞭望算法,利用Rips死亡直径确定带宽,通过核密度估计实现异常检测,并证明其一致性与鲁棒性。
2026-03-23 stat.ME
A note on kernel density estimation at a parametric rate
在核密度估计的上下文中,我们给出了一个表征的内核的参数的平均积分平方差错率$n^{-1}$,其中$n$是样本量。此外,对于这种速率是可达到的情况下,我们给出了一个渐近带宽的选择,使核估计一致的均方误差在该速率和一个数值例子显示了优越的性能的超核估计时,适当地选择带宽。
2011-11-19 math.ST stat.TH
Frontier estimation via kernel regression on high power-transformed data
本文提出了一种新的多维样本前沿估计方法。估计器是基于幂变换数据的核回归。我们假设变换的指数趋于无穷大,而内核的带宽趋于零。给出了这两个参数的完全收敛性和渐近正态性条件。在有限样本情形下,证明了该估计器的良好性能。
2011-03-30 math.ST stat.ME stat.TH
Stochastic approximation method for kernel sliced average variance estimation
本研究将随机逼近方法用于切片平均方差估计(SAVE),证明所得估计量渐近正态且根n相合,实验验证其比已有核方法速度更快,为递归估计提供高效方案。
2024-06-22 math.ST stat.TH
Asymptotic normality and strong consistency of kernel regression estimation in q-calculus
本文基于q-微积分构造非参数核回归估计量,并在适当假设下证明了其渐近正态性与强相合性。
2025-03-10 math.ST stat.TH
PCA-Kernel Estimation
用于高维或功能数据的许多统计估计技术基于初步降维步骤,其包括将样本$\bX_1, \hdots, \bX_n$投影到与经验投影器$\hat Π_D$相关联的主成分分析(PCA)的第一$D$特征向量上。经典的非参数推理方法,如核密度估计或核回归分析,然后在(通常是小)$D$维空间。然而,由于投影样本$(\hat Π_D\bX_1,\hdots, \hat Π_D\bX_n)$的随机变量不再是独立的这一事实,这种数据驱动的降维方案的数学分析引起了技术问题。作为进一步研究的参考,我们在本文中提供了几个结果,显示了重要的核相关的量之间的渐近等价性的基础上的经验投影仪和它的理论对应。作为一个例子,我们提供了一个深入的分析非参数核回归的情况下,
2010-03-26 math.ST stat.TH
Kernel estimation of the transition density in bifurcating Markov chains
研究了分支马尔可夫链转移密度的核估计。在一定的遍历性和正则性条件下,证明了该估计是相合的且渐近正态的。接下来,在数值研究中,我们提出了两种数据驱动的方法来选择带宽参数。这些方法基于所谓的双带宽方法。
2023-03-27 math.PR math.ST stat.TH
Environmental contours based on kernel density estimation
海上风力涡轮机需要承受在其寿命期间可以预期的环境载荷。因此,设计人员必须根据极端环境条件定义载荷,以验证结构完整性。环境轮廓法是一种系统地推导这些极端环境设计条件的方法。该方法需要一个概率密度函数作为其输入。在这里,我们提出了使用恒定带宽核密度估计来推导显着波高和风速的联合概率密度函数。我们比较核密度估计与目前推荐的条件建模方法。相比之下,核密度估计似乎更适合于描述同时高的有效波高和风速的环境条件的统计。因此,基于核密度估计的环境轮廓确实包括这些环境条件,而基于条件建模方法的环境轮廓不包括这些环境条件。由于这些环境条件通常会导致最高的结构响应,因此所使用的方法将这些条件输出为设计要求尤为重要。
2017-10-19 stat.ME
Variable bandwidth kernel regression estimation
在本文中,我们提出了一个可变带宽核回归估计$i.i.d.$观测$\mathbb{R}^2$,以改善经典的Nadaraya-Watson估计。在密度函数的五阶导数和回归函数的六阶导数有界且连续的条件下,将偏差提高到$O(h_n^4)$阶.我们还建立了理想和真实变量核回归估计的中心极限定理。仿真研究证实了我们的结果,并证明了变带宽核方法比经典核方法的优势。
2021-01-12 math.ST stat.ME stat.TH
Nonparametric hazard rate estimation with associated kernels and minimax bandwidth choice
CMAP, CNRS, École polytechnique, Institut Polytechnique de Paris, Inria(巴黎综合理工学院,巴黎理工学院);LAGA, CNRS, Université Sorbonne Paris Nord(索邦巴黎北大学)
本文引入非参数危险率估计通用框架,用相关核并建立渐近结果,证明带宽选择不等式,提出构建分析新核的方法,还表明该框架适用于Gamma核并给出模拟与实验数据应用示例。
2026-09-01 math.ST stat.TH
Nonparametric estimation of a regression function using the gamma kernel method in ergodic processes
本文利用Chen(2000)提出的Gamma核方法研究了非负支撑下密度和回归函数的非参数估计。在一般遍历假设下,证明了相应估计量的强一致相合性和渐近正态性。我们的结果推广了Shi和Song(2016)在经典i.i.d.框架,以及Bouezmarni和Rombouts(2008年,2010年b)和Gospodinov和Hirukawa(2007年)的混合时间序列的作品。
2016-10-16 math.ST stat.TH
A reliable data-based smoothing parameter selection method for circular kernel estimation
提出了一种新的基于数据的圆核密度(及其导数)估计的平滑参数。按照插件的想法,未知量的最佳平滑参数被替换为适当的估计。本文提供了著名的Sheather和Jones带宽(DOI:10.1111/j.2517-6161.1991.tb01857.x)的循环版本,具有直接和求解方程插件规则。理论支持我们的发展,有关的渐近均方误差的估计的密度,其衍生物,其泛函,圆形数据,提供。所提出的选择器与以前的基于数据的圆核密度估计的平滑参数进行了比较。本文也有助于研究的最佳核循环数据。一个插图的建议插件的规则也显示使用真实的数据上的时间的车祸。
2022-11-18 stat.CO stat.ME
Fast and stable multivariate kernel density estimation by fast sum updating
核密度估计和核回归是功能强大但计算昂贵的技术:给定$N$输入样本点,在$M$评估点处直接评估核密度估计需要二次$\mathcal{O}(MN)$运算,这对于大规模问题是禁止的。为此,已经提出了诸如利用快速傅立叶变换或快速高斯变换的分箱的近似方法来加速核密度估计。在这些快速方法中,快速求和更新方法是一种有吸引力的替代方案,因为它是一种精确的方法,并且其速度与输入样本和带宽无关。不幸的是,这种基于数据排序的方法在很大程度上仅限于单变量的情况。在本文中,我们重新审视的快速总和更新方法,并在几个方面进行了扩展。我们的主要贡献是将其扩展到一般输入数据和直线评估网格的一般多变量情况。其他贡献包括其扩展到更广泛的内核类,包括三角形,余弦和西尔弗曼内核,其与简约的加性多变量内核的组合,以及其与多变量数据集的快速近似k-近邻带宽的组合。多元回归和密度估计的数值试验证实了该方法的速度、精度和稳定性。我们希望这篇文章能重新引起人们对快速和更新方法的兴趣,并有助于解决大规模实际的密度估计和回归问题。
2018-10-22 stat.CO
Kernel estimation of the tail index of a right-truncated Pareto-type distribution
本文在随机右截断下定义了Pareto型分布尾指标的核估计,并证明了它的渐近正态性。一项模拟研究表明,与Gardes & Stupfler(2015)和Benchaira et al.(2015)最近提出的估计量相比,这种新引入的估计量在小样本情况下在偏差和均方误差方面表现得更好。
2015-12-01 math.ST stat.TH
A Review of Kernel Density Estimation with Applications to Econometrics
非参数密度估计在计量经济学家对数据集的概率或随机结构建模时具有重要意义。这一全面的综述总结了核密度估计的最重要的理论方面,并提供了一个广泛的古典和现代的数据分析方法来计算平滑参数的描述。在整个文本中,可以找到几个参考最新的和切入点的研究方法在这一领域,而计量经济学数据集作为例子进行分析。最后,我们介绍了SIZer,一种由Chaudhuri和Marron(2000)提出的新方法,其目标是分析代表不同带宽的重要底层结构的可见特征。
2012-12-12 stat.ME
FFT-Based Fast Bandwidth Selector for Multivariate Kernel Density Estimation
多元核密度估计(KDE)的性能很大程度上取决于带宽矩阵的选择。其估计所需的高计算成本为开发快速准确的方法提供了很大的动力。其中一种方法是基于快速傅立叶变换。然而,目前可用的实现仅对单变量KDE工作得很好,并且它的多变量扩展受到非常严重的限制,因为它只能准确地操作对角带宽矩阵。提出了一种更一般的解决方案,其中放宽了上述限制。此外,所提出的解决方案也可以很容易地采用的任务,有效计算的积分密度导数泛函涉及任意导数阶。因此,也支持核密度导数估计的带宽选择。新的解决方案的实际可用性证明了全面的数值模拟。
2016-05-12 stat.CO