Asymptotic analysis of the jittering kernel density estimator
抖动估计量是混合数据的非参数函数估计量。他们通过向离散变量添加随机噪声来扩展连续设置的任意估计。我们对抖动核密度估计进行了深入的分析，揭示了几个吸引人的性质。对于离散变量，该估计是强相合的、渐近正态的和无偏的。它收敛于最小最大最优速率，这是我们分析的副产品。为了理解加入噪声的影响，我们进一步研究了它的渐近有效性和有限样本偏差在单变量离散的情况下。仿真结果表明，该估计在有限样本下具有较好的竞争性。分析表明，类似的属性可以预期其他抖动估计。
2017-11-11 stat.ME
A multivariate adaptation of direct kernel estimator of density ratio
本研究将Ćwik和Mielniczuk（1989）提出的无需估计目标密度的单变量核密度比直接估计量，推广至多元情况。
2023-11-21 stat.ME
Quantile-respectful density estimation based on the Harrell-Davis quantile estimator
针对传统密度与分位数估计不一致的问题，提出一种与 Harrell-Davis 分位数估计量天然一致的新型平滑密度估计量，并通过 jittering 支持离散-连续混合分布。
2024-04-04 stat.ME
A Mathai-type Multivariate Nakagami-$m$ Distribution: Density, Closed-form Estimators, and Asymptotic Efficiency
Konkuk University（建国大学）
本文提出一种具有闭式密度的多元Nakagami-$m$分布，并基于一步修正构造渐近有效的闭式估计量，其性能接近数值最大似然估计且优于初始估计量。
2026-09-15 stat.ME
Trimmed Harrell-Davis quantile estimator based on the highest density interval of the given width
传统的基于一个或两个顺序统计量的分位数估计是基于给定样本估计分布分位数的常用方法。这些估计是稳健的，但它们的统计效率并不总是足够好。一个更有效的替代方法是Harrell-Davis分位数估计，它使用所有顺序统计量的加权和。虽然这种方法为轻尾分布提供了更准确的估计，但它并不稳健。为了能够自定义统计效率和鲁棒性之间的权衡，我们可以考虑对Harrell-Davis分位数估计量进行修剪修改。该方法根据β分布的最高密度区间丢弃低权重的顺序统计量。
2022-08-29 stat.ME
Some thoughts on the asymptotics of the deconvolution kernel density estimator
通过模拟研究，我们比较有限样本性能的超光滑反卷积问题的反卷积核密度估计的渐近行为预测的两个渐近正态性定理。我们的研究结果表明，对于较低的噪声水平和中等样本量的渐近理论和有限样本的估计性能之间的匹配是不令人满意的。另一方面，我们表明，这两种方法产生合理接近的结果，较高的噪声水平。这些观察反过来又为在误差项方差$σ^2\to 0$作为样本量$n\to\infty.$的假设下研究反卷积问题提供了额外的动机
2008-01-17 stat.ME
Bivariate Uniform Deconvolution
在二元均匀反卷积模型中，我们构造了一个密度估计。对于这个模型，我们推导出四个反演公式来表示我们想要根据观测的二元密度估计的二元密度。通过替换观测密度的核密度估计，我们得到四个不同的估计。接下来，我们构造这四个估计量的渐近最优凸组合。扩展的偏差，方差，以及渐近正态性，推导。给出了一些模拟算例。
2011-06-08 stat.ME
Conditional density estimation with covariate measurement error
我们考虑估计一个易出错的协变量上的响应条件的密度。基于现有的两种不含协变量测量误差的核密度估计，提出了一种修正现有的测量误差估计的方法.在不同类型的测量误差分布下，导出了合成估计量的渐近性质。此外，我们调整现有的带宽选择方法开发的无误差的数据，以获得新的估计带宽。进行了大量的仿真研究，以比较所提出的估计与朴素的估计，忽略测量误差，这也提供了经验证据的有效性，所提出的带宽选择方法。一个真实的数据例子被用来说明这些方法在实际场景下的实现。我们开发了一个R包lpme来实现所有考虑的方法，我们在附录H中通过一个R代码示例演示了这些方法。
2020-01-08 stat.ME
Nonparametric density estimation by histogram trend filtering
我们提出了一种新的密度估计方法，称为直方图趋势滤波。我们的估计量来自于观察数据支持分区中的观测计数的代理泊松模型。我们首先展示了这个密度估计问题的变分估计的一致性。然后，我们研究了一个离散的估计，可以有效地发现通过凸优化。我们表明，估计享有很强的统计保证，但更实用和计算效率比其他估计享有类似的保证。最后，在我们的模拟研究中，所提出的方法表现出较小的平均均方误差比竞争的方法。这种有利的属性组合使得直方图趋势过滤成为用于需要快速、高效、准确的密度估计的常规数据分析应用的理想候选者。
2016-02-06 stat.ME
OCDE: Odds Conditional Density Estimator
条件密度估计（CDE）模型可用于许多统计应用，特别是因为估计完整的条件密度而不是传统的回归点估计，从而揭示关于感兴趣的随机变量的不确定性的更多信息。在本文中，我们提出了一种名为Odds Conditional Dense Estimator（OCDE）的新方法来估计监督学习方案中的条件密度。其主要思想是，这是非常困难的估计$p_{x,y}$和$p_{x}$，以估计的条件密度$p_{y|x}$，但通过引入工具分布，我们把CDE问题的几率估计的问题，或类似的，训练一个二元概率分类器。我们演示了如何使用模拟数据OCDE的工作原理，然后测试其性能对其他已知的最先进的CDE方法在真实数据。总的来说，OCDE在真实数据集上与这些方法相比具有竞争力。
2021-06-24 stat.ME
Wrapped flat-top kernel density estimation with circular data
School of Business Administration, Meiji University（明治大学商学部）
本研究提出了一种基于特征函数的包裹平顶核密度估计方法，以提高圆数据估计的收敛速度和准确性。
2026-03-02 stat.ME
On Bootstrap Averaging Empirical Bayes Estimators
参数经验贝叶斯（EB）估计在小区域估计、疾病分布等领域有着广泛的应用。由于EB估计是通过插入先验分布中参数的估计来构造的，因此如果参数的估计是不稳定的，则EB估计的性能可能会很差。当样本数量较少或中等时，可能会发生这种情况。本文提出了一种自举平均方法，即机器学习文献中的“装袋”方法，以提高EB估计的性能。我们考虑了两个典型的分层模型，两阶段正态分层模型和Poisson-gamma模型，并通过仿真和实证研究将所提出的方法与经典的参数EB方法进行了比较。
2017-04-27 stat.ME
Generalized Wald-type Tests based on Minimum Density Power Divergence Estimators
在假设检验中，检验的稳健性是一个重要问题。通常，基于极大似然的测试在标准正则条件下是最有效的，但是即使在与假设条件的小偏差下，它们也是高度非鲁棒的。在本文中，我们提出了广义Wald型测试的基础上最小密度功率发散估计参数假设。该方法避免了非参数密度估计的使用和带宽的选择。效率和鲁棒性之间的权衡由调谐参数$β$控制。检验统计量的渐近分布是具有适当自由度的卡方分布。所提出的测试的性能进行了探讨，通过模拟和实际数据分析。
2015-03-07 stat.ME
Optimal Nonparametric Inference with Two-Scale Distributional Nearest Neighbors
University of Tennessee Knoxville（田纳西大学诺克斯维尔分校）；University of Southern California（南加州大学）
加权最近邻（WNN）估计作为一种灵活且易于实现的非参数均值回归估计工具已被广泛应用。装袋技术是一种优雅的方法来形成WNN估计器，其权重自动生成到最近邻居;我们将所得估计器命名为分布最近邻居（DNN），以便于参考。然而，这种估计量缺乏分布结果，限制了它在统计推断中的应用。此外，当均值回归函数具有高阶光滑性时，DNN不能达到最佳非参数收敛速度，主要是因为偏差问题。在这项工作中，我们对DNN进行了深入的技术分析，在此基础上，我们通过线性组合两个具有不同子采样尺度的DNN估计器，提出了DNN估计器的偏倚减少方法，从而产生了新的双尺度DNN（TDNN）估计器。双尺度DNN估计器具有WNN的等价表示，其权重允许显式形式，并且一些权重为负。我们证明，由于使用负权重，双尺度DNN估计享有最佳的非参数收敛速度估计的回归函数下的四阶光滑条件。我们进一步超越估计，并建立DNN和双尺度DNN都是渐近正态的子采样尺度和样本量发散到无穷大。对于实际的实现，我们还提供了方差估计和分布估计使用刀切和自举技术的双尺度DNN。这些估计量可以用来构造有效的置信区间，用于回归函数的非参数推断。理论结果和吸引人的有限样本性能的建议的两尺度DNN方法与几个数值例子说明。
2022-07-18 cs.LG stat.ML
Partition Tree: Conditional Density Estimation over General Outcome Spaces
Independent Researcher（独立研究者）；INSA Rouen Normandy（里昂大学鲁昂分校）；Normandy University（诺曼底大学）；LITIS Rouen（鲁昂LITIS实验室）
本文提出分区树，一种基于树的框架，用于在一般结果空间上进行条件密度估计，支持连续和分类变量。通过数据自适应的分区建模条件分布，并直接最小化条件负对数似然，实现非参数方法。分区森林通过平均条件密度进行扩展，实验显示优于CART树且与现有概率树方法和随机森林竞争。
2026-11-10 cs.LG stat.ME stat.ML
Voronoi Density Estimator for High-Dimensional Data: Computation, Compactification and Convergence
针对Voronoi密度估计器在高维空间因计算复杂度过高而受限的问题，提出紧化Voronoi密度估计器（CVDE），提供高效数值近似算法并证明其收敛性，实验表明其在声音和图像数据上优于KDE。
2024-02-19 cs.CG stat.ME
Roundtrip: A Deep Generative Neural Density Estimator
Tsinghua University（清华大学）；Stanford University（斯坦福大学）
密度估计是统计学和机器学习中的一个基本问题。在这项研究中，我们提出了Roundtrip作为基于深度生成模型的通用神经密度估计器。Roundtrip保留了生成对抗网络（GANs）的生成能力，但也提供了密度值的估计。与以前的神经密度估计器不同，它对从潜在空间到数据空间的转换提出了严格的条件，Roundtrip允许使用更一般的映射。在一系列实验中，Roundtrip在各种密度估计任务中实现了最先进的性能。
2020-09-04 cs.LG stat.ME stat.ML
Bagged Regularized $k$-Distances for Anomaly Detection
Hong Kong Research Institute Contemporary Amperex Technology (Hong Kong) Limited（香港研究机构Contemporary Amperex Technology (Hong Kong) Limited）
针对无监督异常检测中距离类方法对近邻数超参数敏感的问题，提出袋装正则化k-距离算法BRDAD，通过凸优化选权重，兼具理论收敛保证与更优的实际性能及效率。
2025-08-01 cs.LG math.ST stat.ML
Non-Parametric Maximum Likelihood Density Estimation and Simulation-Based Minimum Distance Estimators
间接推断估计器（即，基于模拟的最小距离估计）在一个参数模型的基础上，辅助非参数最大似然密度估计被证明是渐近正态的。如果参数模型是正确指定的，它进一步表明，渐近方差-协方差阵等于逆的Fisher信息矩阵。这些结果是基于非参数极大似然密度估计的参数一致收敛速度和参数一致Donsker型定理。
2011-09-20 math.PR math.ST stat.ME
Kernel Estimator and Bandwidth Selection for Density and its Derivatives: The kedd Package
kedd软件包为R统计系统提供了额外的平滑技术。尽管Comprehensive R Archive Network（CRAN）上的各种软件包提供了对非参数统计有用的函数，但kedd旨在作为更具体的非参数函数和数据集的中心位置。该软件包的当前功能集可以分为四个主要类别：计算核函数的卷积和导数，计算概率密度及其导数的核估计量，使用不同方法计算带宽选择器，显示核估计量和带宽选择函数。此外，这个包遵循了R语言处理模型对象的一般原则。这意味着不是仅仅返回，比如说，密度的r阶导数的核估计，许多函数将返回一个包含对象的函数是S3类（S3方法）。然后可以使用各种提取、汇总或绘图功能按个人意愿操纵对象。只要有可能，我们就把图形用户界面的各个功能开发成一个连贯的整体，方便使用这个软件包。
2020-12-11 stat.CO stat.ME
Flexible Multivariate Density Estimation with Marginal Adaptation
我们的文章解决了灵活估计多元密度的问题，同时也试图正确估计其边缘。我们这样做，提出了两个新的估计，试图捕捉最好的功能，同时避免他们的一些弱点的混合法线和copula估计。我们提出的第一个估计是一个混合的常态copula模型，这是一个灵活的替代参数copula模型，如正常和t copula。第二个是一个边际适应混合的法线估计，通过使用包含在单变量估计的边际密度的信息，提高了标准的混合法线。我们的经验表明，Copula为基础的方法可以表现得更好或更差的估计的基础上混合的法线取决于数据的属性。我们提供了快速和可靠的估计实现，并说明了模拟和真实数据的方法。
2009-01-02 stat.CO stat.ME
Orthogonal Series Density Estimation for Complex Surveys
本文提出了一种用于复杂调查的正交级数密度估计，其中样本既不独立也不同分布。证明了所提出的估计量是设计无偏的和渐近设计相容的。在设计空间和组合空间下证明了其渐近正态性。在此基础上提出了两种数据驱动估计器。我们在模拟研究中所提出的估计的效率。最后给出了一个实际测量数据的例子。
2019-02-18 math.ST stat.ME stat.TH
Nonparametric Density Estimation from Markov Chains
SISSA（国际高等研究学院）；INFN Sezione di Trieste（意大利国家核物理研究所的里雅斯特分部）；University of Camerino（卡梅里诺大学）
我们引入了一个新的非参数密度估计的启发马尔可夫链，并推广了著名的核密度估计（KDE）。我们的估计器相对于通常的估计器有几个优点，并且可以直接用作所有基于密度的算法的基础。我们证明了我们的估计的一致性，我们发现它通常优于KDE的情况下，大样本量和高维。我们还使用我们的密度估计建立一个本地离群检测器，显示出非常有前途的结果时，应用到一些现实的数据集。
2020-09-08 cs.LG physics.data-an stat.ME
Nonparametric methods for volatility density estimation
金融过程的随机波动率模型已经变得越来越流行。所提出的模型通常包含一个平稳的波动过程。我们将激励和审查几个非参数方法估计的波动率过程的密度。这两个模型的基础上离散采样连续时间过程和离散时间模型将进行讨论。分析的关键见解是将波动率密度估计问题转换为标准方法存在的反卷积模型。综述了三种非参数密度估计：傅立叶型反卷积核密度估计、小波反卷积密度估计和惩罚投影估计。这些估计的性能进行比较。关键词：随机波动模型，反褶积，密度估计，核估计，小波，最小对比估计，混合
2009-10-27 math.ST q-fin.ST stat.ME
Robust Wald-type tests for non-homogeneous observations based on minimum density power divergence estimator
研究了非同分布数据下的稳健假设检验问题。我们提出了Wald型检验的简单和复合假设的独立，但非齐次观测的基础上强大的最小密度功率发散估计的共同的基础参数。渐近和理论的鲁棒性所提出的测试进行了讨论。本文详细讨论了它在固定设计广义线性模型中一般线性假设检验问题中的应用，并对正态分布和泊松分布下的特殊情况作了具体的说明。
2017-07-07 math.ST stat.ME stat.TH
Online monotone density estimation and log-optimal calibration
Department of Statistics and Data Science, Carnegie Mellon University, USA（统计与数据科学系，卡内基梅隆大学，美国）；Department of Statistics and Actuarial Science, University of Waterloo, Canada（统计与精算科学系，滑铁卢大学，加拿大）
针对在线单调密度估计问题，提出在线Grenander估计器和专家聚合估计器，在随机设定下证明期望累积对数似然差距的$O(n^{1/3})$界，并建立专家聚合估计器相对于离线最优单调估计器的$\sqrt{n\log{n}}$路径后悔界，进而应用于序贯假设检验的对数最优p-to-e校准器构建。
2026-05-21 cs.LG stat.ME stat.ML
Adaptive spectral density estimation by model selection under local differential privacy
研究了局部差分隐私下的谱密度估计。通过截断和拉普拉斯微扰来实现非线性化。我们选择我们的估计从一组候选估计的惩罚对比标准。这种估计达到几乎相同的收敛速率的最佳估计从候选人集。证明的一个关键成分是最近的结果浓度的二次型的次指数随机变量在arXiv：1903.05964。我们说明了我们的研究结果在一个小的模拟研究。
2020-10-08 math.ST stat.ME stat.TH
Local polynomial estimation of quantile density functions
University of Hamburg（汉堡大学）
研究提出基于局部多项式估计分位数密度函数及导数的新方法，该估计器在边界处性质更优，证明其渐近正态性并与其他估计器比较偏差、方差及边界性质。
2026-07-20 math.ST stat.ME stat.TH
Nonparametric Inference via Bootstrapping the Debiased Estimator
在本文中，我们提出了通过自举的去偏核密度估计（密度估计）和去偏局部多项式回归估计（回归分析）构造置信带。Calonico等人（2018 b）最近采用了使用去偏估计量的想法，通过显式估计随机变化来构建给定点处密度函数（和回归函数）的置信区间。我们扩展了他们的想法，使用去偏估计，并进一步提出了一个自举方法，同时构建置信带。这种改进方法的优点是，我们可以很容易地从传统的带宽选择器选择平滑带宽和置信带将是渐近有效的。我们证明了自举置信带的有效性，并将其推广到密度水平集和逆回归问题。仿真研究证实了建议的置信带/集的有效性。我们将我们的方法应用于天文数据集，以显示其适用性
2019-06-04 math.ST stat.ME stat.TH
CINDES: Classification induced neural density estimator and simulator
针对神经密度估计器实现约束难满足、低维结构下收敛性不明的问题，提出易实现且具可证明自适应性的CINDES估计器，可集成到扩散模型中实现更快收敛，并经实验验证性能。
2025-10-01 cs.LG math.ST 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
On the usefulness of Meyer wavelets for deconvolution and density estimation
本文的目的是显示实用的迈耶小波的经典问题的密度估计和密度反褶积噪声观测。通过使用这样的小波，经验小波系数的计算依赖于数据的快速傅里叶变换和Meyer小波是带限函数的事实。这使得这样的估计非常简单的计算，这避免了评估小波在非二进点，这是经典的基于小波的密度估计的主要缺点的问题。我们的方法是基于长期的经验小波系数与随机阈值依赖于每个系数的方差估计的阈值。这样的估计，以实现相同的性能的Oracle估计的对数项。这些估计也实现了一个大类的Besov空间的收敛速度近极大极小。仿真研究表明，该估计器对直接密度估计和密度反卷积问题都具有良好的有限样本性能。
2009-03-27 math.FA math.ST stat.ME
Consistency of Nonparametric Density Estimators in CAT(0) Orthant Space
针对系统发育树分析用的CAT(0)空间中非参数密度估计量理论性质不明的问题，本文在更通用的CAT(0)卦限空间中证明了核密度估计与对数凹最大似然估计的一致性，校正了核估计的边界偏差。
2025-10-21 math.ST stat.ME stat.TH
Large and moderate deviations principles for recursive kernel estimators of a multivariate density and its partial derivatives
本文证明了概率密度函数及其偏导数的递归核估计的大偏差原理和中偏差原理。与密度估计不同，导数估计不仅对中等偏差尺度而且对大偏差尺度都表现出二次性。我们提供的点态和一致偏差的结果。
2006-01-18 math.ST 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
Boundary Adaptive Local Polynomial Conditional Density Estimators
该研究提出一类边界自适应的局部多项式条件密度估计量，推导其一致统计性质与高斯逼近结果，给出实现方案并配套R包，可用于构建置信带与假设检验。
2023-12-18 econ.EM math.ST stat.ME
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
Central limit theorem for the variable bandwidth kernel density estimators
在本文中，我们研究了McKay（1993）和Jones，McKay and Hu（1994）提出的理想变带宽核密度估计器，以及Giné和Sang（2013）提出的具有两个带宽序列的可变带宽核估计器的插件实用版本。在对理想变带宽核密度估计和真实变带宽核密度估计的偏差和方差分析的基础上，研究了它们各自的中心极限定理。
2017-12-02 math.ST stat.TH
Uniformly root-$N$ consistent density estimators for weakly dependent invertible linear processes
研究了平稳时间序列的核密度估计的收敛速度。对于可逆线性过程，我们构造了一个新的密度估计，收敛，在上确界范数，在更好的，参数，率$n^{-1/2}$。我们的估计量是两个不同的基于残差的核估计量的卷积。我们获得特别是收敛速度为基础的剩余核估计，这些结果是独立的利益。
2007-08-14 math.ST stat.TH
Supervised Anomaly Detection based on Deep Autoregressive Density Estimators
NTT Communication Science Laboratories（NTT通信科学实验室）；NTT Secure Platform Laboratories（NTT安全平台实验室）
我们提出了一种基于神经密度估计的监督异常检测方法，其中的负对数似然用于异常得分。密度估计已被广泛用于无监督异常检测。通过深度学习的最新进展，密度估计性能已经大大提高。然而，神经密度估计器不能利用异常标签信息，这将是有价值的，以提高异常检测性能。该方法通过训练神经密度估计器有效地利用了异常标签信息，使得正常实例的似然最大化，异常实例的似然低于正常实例的似然。我们采用自回归模型的神经密度估计，这使我们能够准确地计算的可能性。通过对16个数据集的实验，证明了该方法在少量标记异常实例的情况下提高了异常检测性能，并取得了比现有的无监督和有监督异常检测方法更好的性能。
2019-04-12 cs.LG stat.ML
A kernel type nonparametric density estimator for decompounding
给定一个离散观测复合泊松过程的样本，我们考虑跳跃大小的密度估计。提出了一种核型非参数密度估计，并研究了它的渐近性质。给出了估计量的偏差的阶界和方差的渐近展开。建立了点态弱相合性和渐近正态性。结果表明，渐近，估计的行为非常像一个普通的核估计。
2007-09-05 math.ST stat.TH
Exact oracle inequality for a sharp adaptive kernel density estimator
在i.i.d.上的一维密度估计中。观察，我们建议一个自适应的交叉验证技术的内核估计的选择。该估计在光滑指数大于1/2的索伯列夫空间的整个尺度上都是渐近MISE有效的.中心浓度不等式的证明避免了“链接”，并依赖于所涉及的经验过程的加法分解。
2005-04-19 math.ST stat.TH
Large and moderate deviation principles for recursive kernel density estimators defined by stochastic approximation method
在本文中，我们证明了由Mokkadem等人[2009]引入的随机逼近算法定义的概率密度函数的递归核估计的大偏差和中偏差原理。概率密度估计的随机逼近方法。J. Statistist.计划推论139，2459-2478]。我们证明了使用Mokkadem等人（2009）中定义的递归估计量类的方差最小化的步长构造的估计量给出了与Rosenblatt核估计量相同的逐点LDP和MDP。我们提供的点态和一致偏差的结果。
2013-01-27 math.ST stat.TH
On the Whittle estimator for linear random noise spectral density parameter in continuous-time nonlinear regression models
研究了一类具有Lévy驱动线性噪声过程的连续时间非线性回归模型。本文给出了噪声谱密度参数的Whittle估计的相合性和渐近正态性的充分条件。
2019-09-23 math.PR math.ST stat.TH
The stochastic approximation method for the estimation of a multivariate probability density
我们应用随机逼近方法构造了一大类概率密度的递归核估计，包括Hall和Patil（1994）提出的一类.我们研究了这些估计的性质，并将它们与Rosenblatt的非递归估计进行了比较。事实证明，对于逐点估计，最好使用非递归Rosenblatt核估计，而不是任何递归估计。相反，对于置信区间估计，最好使用递归估计而不是Rosenblatt估计。
2008-07-18 math.ST stat.TH
Joint behaviour of semirecursive kernel estimators of the location and of the size of the mode of a probability density function
令$θ$和$μ$表示概率密度的众数的位置和大小。研究了$θ$和$μ$的半递归核估计的联合收敛速度。我们展示了如何估计的模式的大小允许测量其位置的估计的相关性。我们还发现，除了非递归估计的计算优势之外，半递归估计更适合用于置信区域的构造。
2008-01-14 math.ST stat.TH
Asymptotic Normality of Nonparametric Kernel Type Deconvolution Density Estimators: crossing the Cauchy boundary
我们得到核型反卷积密度估计的渐近正态性。特别是，我们考虑反卷积问题，其中卷积的已知分量具有对称的lambda-稳定分布，0<lambda<= 2。事实证明，如果指数参数lambda超过值1，极限行为就会改变，这是柯西反卷积的情况。
2003-05-22 math.ST stat.TH
Recursive kernel density estimators under missing data
在本文中，我们提出了一个自动选择带宽的递归核密度估计的缺失数据的背景下，全球和局部密度估计。我们表明，使用选定的带宽和一个特殊的步长，建议的递归估计优于非递归的情况下，在全局估计的估计误差。然而，递归估计器在计算成本方面要好得多。我们证实了这些理论结果，通过模拟研究和模拟数据的阿基坦队列的HIV-1感染的患者和Coriell细胞系使用染色体数11。
2016-06-22 math.ST stat.TH
Asymptotic normality of the mixture density estimator in a disaggregation scheme
研究了随机参数AR（1）过程的集结/解聚问题中混合密度估计的渐近分布。证明了在混合密度（半参数）形式的较弱条件下，估计量是渐近正态的。证明是基于Bhansali等人2007年开发的线性随机变量中二次型的极限理论。研究了聚集过程的移动平均表示。一个小的模拟研究说明了结果。
2008-02-06 math.ST stat.TH
Rates of strong uniform consistency for the $k$-nearest neighbors kernel estimators of density and regression function
本文探讨了多元情形下密度与回归函数的 $k$-最近邻核估计量的一致性问题，并在特定假设下推导出这些估计量在整个空间 $\mathbb{R}^p$ 上的强一致一致性的收敛速率。
2024-08-22 math.ST stat.TH
Average Density Estimators: Efficiency and Bootstrap Consistency
本文强调了半参数效率和自举一致性之间的紧张局势的背景下，一个典型的半参数估计问题，即估计的平均密度的问题。结果表明，虽然简单的插件估计遭受偏见的问题，防止他们在最小的平滑条件下实现半参数效率，非参数引导自动纠正这种偏见，因此，这些看似低劣的估计实现引导一致性最小的平滑条件下。相比之下，几个“去偏”估计，实现半参数的最小光滑条件下的效率不实现自举一致性在这些相同的条件下。
2020-12-20 econ.EM math.ST stat.TH
Combining kernel estimators in the uniform deconvolution problem
本文构造了一致反卷积模型中分布函数的密度估计和估计。该估计是基于观测值及其导数的密度的反演公式和核估计。导出了估计的渐近正态性和渐近偏差。
2011-01-05 math.ST stat.TH
Averaging of density kernel estimators
平均为密度核估计提供了带宽选择的替代方案。我们提出了一个程序，线性结合几个内核估计的密度从不同的，可能是数据驱动的，带宽。该方法依赖于最小化组合的积分平方误差的容易处理的近似。它提供了一个小的计算成本，在大多数情况下，提高了初始估计的最终解决方案。平均估计被证明是渐近有效的最佳可能的组合（神谕），与一个错误项，减少速度比minimax率与分离的学习和验证样本。的性能进行了数值测试，与其他现有的程序相比，在平均积分平方误差的结果。
2019-11-04 math.ST stat.TH
A note on the asymptotic distribution of the minimum density power divergence estimator
在不同于Basu等人最初提供的正则性条件下，我们建立了最小密度幂散度估计的相合性和渐近正态性.
2006-11-07 math.ST stat.TH
