加列·查尼 介绍非参数自适应估计。 （英语） Zbl 1497.62078号 毕业生。数学杂志。 1，第2号，105-120（2016）. 总结：统计估计旨在通过分析从大量人群中采集的一些测量数据，建立恢复未知参数的程序。本注释通过概率密度估计的示例处理无限维参数即函数的情况。在讨论了如何量化估计方法的性能之后，我们讨论了密度（minimax观点）的任何估计的精度极限，并提出了两种主要的非参数估计方法：投影与核估计导出了固定数据量下定义的估计量的精度上限。它们在很大程度上取决于平滑参数（对于这两种方法，分别是模型尺寸和带宽），应该仔细选择。正文的第二部分致力于数据驱动估计器选择，我们对此进行了简要回顾：型号选择以及带宽选择问题得到解决。我们描述了两种方法，可以获得所谓的oracle型不等式同时适应的：选择不取决于目标密度的未知平滑度。提供了大量参考文献，并通过数值实验验证了理论结果。 引用于1文件 MSC公司： 62G05型 非参数估计 62G07年 密度估算 PDF格式BibTeX公司 XML格式引用 \textit{G.Chagny}，梯度。J.数学。1，第2号，105-120（2016；Zbl 1497.62078） 全文： 链接 参考文献： [1] H.Akaike。信息论和最大似然原理的推广。第二届信息理论国际研讨会（Tsahkad-sor，1971），第267-281页。阿卡德迈亚·基多，布达佩斯，1973年·兹bl 0283.62006年 [2] D.M.艾伦。变量选择和数据处理之间的关系以及一种预测方法。技术计量学，16（1）：125-1271974·Zbl 0286.62044号 [3] S.Arlot。V-fold交叉验证得到改进：V-fold实现。预印本，2008年。统一资源定位地址http://arxiv.org/abs/0802.0566。 [4] S.Arlot和A.Celisse。模型选择的交叉验证程序调查。统计调查，4:40-792010·Zbl 1190.62080号 [5] S.Arlot和M.Lerasle。在最小二乘密度估计中V折交叉验证的V选择。机器学习研究杂志，2016年。到ap-pear·兹比尔1434.62041 [6] S.Arlot、M.Lerasle和N.Magalháes。通过交叉验证选择核估计量。2015年，N.Magalháes博士论文第3章提供了预印本。 [7] A.Barron、L.Birgé和P.Massart。通过惩罚选择模型的风险边界。可能性。理论重划领域，113（3）：301-4131999·Zbl 0946.62036号 [8] J.-P.Baudry、C.Maugis和B.Michel。斜坡heuris-tics：概述和实施。统计计算。，22(2):455-470, 2012. ·Zbl 1322.62007年 [9] D.Belomestny、F.Comte和V.Genon-Catalot。乘法删失模型中的非参数拉盖尔估计。预印本，2016年。统一资源定位地址https://哈尔。archives-ouvertes.fr/hal-01252143v3。 [10] K.Bertin和N.Klutchnikoff。β核估计量的极小极大性质。J.统计。计划。推断，141（7）：2287-22972011年·Zbl 1214.62038号 [11] K.Bertin、C.Lacour和V.Rivoirard。条件密度函数的自适应逐点估计。《亨利·庞加莱研究所年鉴》，概率与统计，52（2）：939-9802016年·Zbl 1342.62090号 [12] L.Birgé和P.Massart。最小对比度估计的收敛速度。普罗巴伯。理论相关领域，97（1-2）：113-1501993·Zbl 0805.62037号 [13] L.Birgé和P.Massart。从模型选择到自适应估计。Lucien Le Cam的Festschrift，第55-87页。施普林格，纽约，1997年·Zbl 0920.62042号 [14] L.Birgé和P.Massart。筛子上的最小对比度估计：指数界和收敛速度。伯努利，4（3）：329-3751998·Zbl 0954.62033号 [15] L.Birgé和P.Massart。高斯模型选择的最小惩罚。可能性。理论相关领域，138（1-2）：33-732007·Zbl 1112.62082号 [16] D.博斯克。随机过程的非参数统计：估计和预测，第110卷。施普林格科学与商业媒体，2012年。 [17] G.查尼。翘曲基回归中的惩罚与Goldenshluger-Lepski策略。ESAIM:概率与统计，17:328-3582013·Zbl 06282476号 [18] A.Cohen、R.DeVore、G.Kerkyacharian和D.Picard。阈值算法具有给定收敛速度的最大空间。申请。计算。哈蒙。分析。，11(2):167-191, 2001. ·Zbl 0997.62025号 [19] F.孔德。非参数估计。斯巴达克斯IDH，2015年·Zbl 1357.62005年 [20] F.Comte和J.Johannes。自适应函数线性回归。安.统计师。，40(6):2765-2797, 2012. ·Zbl 1373.62350号 [21] W.J.Conover。实用非参数统计。威利纽约，1980年。 [22] R.A.DeVore和G.G.Lorentz。建构性分析，Grundlehren der Math-ematischen Wissenschaften[数学科学基本原理]第303卷·Zbl 0797.41016号 [23] 施普林格·弗拉格，柏林，1993年·Zbl 0795.76001号 [24] L.Devroye和G.Lugosi。密度估计中的组合方法。统计学中的斯普林格系列。Springer-Verlag，纽约，2001年·Zbl 0964.62025号 [25] D.L.Donoho和I.M.Johnstone。通过小波收缩实现理想的空间自适应。《生物特征》，81（3）：425-4551994年·Zbl 0815.62019号 [26] D.L.Donoho、I.M.Johnstone、G.Kerkyacharian和D.Picard。通过小波阈值进行密度估计。Ann.Statist。，24(2):508-539, 1996. ·Zbl 0860.62032号 [27] S.Y.Efroȋmovich。未知光滑度密度的非参数估计。特奥。Veroyatnost公司。我是Primenen。，30(3):524-534, 1985. ·Zbl 0581.62035号 [28] S.Efromovich。非参数曲线估计：方法、理论和应用。施普林格科学与商业媒体，2008年。 [29] S.盖瑟。预测样本重用方法及其应用。美国统计学会杂志，70（350）：320-3281975·Zbl 0321.62077号 [30] A.Goldenshluger和O.Lepski。多元函数估计中的通用点式选择规则。伯努利，14（4）：1150-11902008·Zbl 1168.62323号 [31] A.Goldenshluger和O.Lepski。基于Lp范数预言不等式的结构自适应。普罗巴伯。理论相关领域，143（1-2）：41-712009·Zbl 1149.62020号 [32] A.Goldenshluger和O.Lepski。核密度估计中的带宽选择：预言不等式和自适应极大极小最优性。安.统计师。，39(3): 1608-1632, 2011. ·Zbl 1234.62035号 [33] A.Goldenshluger和O.Lepski。线性估计族的一般选择规则。概率论及其应用，57（2）：209-2262013·Zbl 1417.62056号 [34] W.Härdle、G.Kerkyacharian、D.Picard和A.Tsy-bakov。小波、近似和统计应用，《统计学讲义》第129卷。Springer-Verlag，纽约，1998年·Zbl 0899.62002号 [35] R.Hasminskii和I.Ibragimov。从科尔莫戈洛夫近似理论的观点谈密度估计。Ann.Statist.，《统计年鉴》。，18(3):999-1010, 1990. ·Zbl 0705.62039号 [36] I.A.Ibragimov和R.Z.Has minskiȋ。分布密度的估计。扎普。诺什。列宁格勒。奥特尔。Mat.Inst.Steklov公司。（LOMI），98:61-85161-1621661980。数理统计研究，IV。 [37] A.Juditsky和S.Lambert-Lacroix。关于R.Bernoulli的极小极大密度估计，10（2）：187-220，2004·Zbl 1076.62037号 [38] G.Kerkyacharian和D.Picard。Besov空间中的密度估计。统计师。普罗巴伯。莱特。，13(1):15-24, 1992. ·Zbl 0749.62026号 [39] G.Kerkyacharian、O.Lepski和D.Picard。各向异性多指标去噪中的非线性估计。普罗巴伯。理论相关领域，121（2）：137-1702001·Zbl 1010.62029号 [40] T.Klein和E.Rio。集中在经验过程最大值的平均值附近。Ann.Probab。，33 (3):1060-1077, 2005. ·Zbl 1066.60023号 [41] C.拉科尔和P.马萨特。Goldenshluger-Lepski方法的最小惩罚。随机过程。申请。，2016年·Zbl 1348.62124号 [42] C.拉库尔、P.马萨特和V.里沃拉德。估计量选择：一种应用于核密度估计的新方法。arXiv预印本，2016年。网址：http://arxiv.org/abs/1607.05091。 [43] B.Laurent、C.Ludeña和C.Prieur。通过模型选择自适应估计线性泛函。电子统计杂志，2:993-1022008·Zbl 1320.62074号 [44] O.Lepski。非参数估计的一些新思想。arXiv预印本，2016年。统一资源定位地址http://arxiv.org/腹肌/1603.03934。 [45] O.V.Lepskiȋ。渐近极小极大自适应估计。I.上限。最佳自适应估计。特奥。Veroyatnost公司。i Primenen。，36(4):645-659, 1991. ·Zbl 0738.62045号 [46] O.V.Lepskiȋ。渐近极小极大自适应估计。二、。没有最佳适应的方案。自适应估计。特奥。Veroyatnost公司。i Primenen。，37（3）：468-4811992a·Zbl 0761.62115号 [47] O.V.Lepskiȋ。白高斯噪声中的自适应估计问题。在《高级苏维埃数学》第12卷非参数估计主题中。，第87-106页。阿默尔。数学。Soc.，普罗维登斯，RI，1992年b·Zbl 0783.62061号 [48] M.Lerasle、N.Magalháes和P.Reynaud-Bouret。密度估计的运算核选择。在高维概率VII:The Cargèse Volume，Progr。普罗巴伯。Birkhäuser/Springer，巴塞尔，2016年。出现·Zbl 1356.62051号 [49] C.L.马尔洛。关于C p的评论。技术计量学，15:661-6751973·兹比尔0269.62061 [50] P.马萨特。集中不等式和模型选择，数学课堂讲稿第1896卷。施普林格，柏林，2007年。2003年7月6日至23日，在圣弗洛尔举行的第33届暑期学校概率论讲座，由让·皮·卡德作序·兹比尔1170.60006 [51] A.内米洛夫斯基。非参数统计主题。在《概率论和统计学讲座》（Saint-Flour，1998）中，数学讲义第1738卷。，第85-277页。施普林格，柏林，2000年·Zbl 0998.62033号 [52] S.M.Nikol滑雪。多元函数的逼近和嵌入定理。斯普林格·弗拉格，纽约，1975年。约翰·丹斯金（John M.Danskin，Jr.），Die Grundlehren der Mathe-matischen Wissenschaften，乐队205从俄语翻译而来·Zbl 0307.46024号 [53] E.帕尔岑。关于概率密度函数和模式的估计。安。数学。统计人员。，33:1065-1076, 1962. ·Zbl 0116.11302号 [54] S.Plancade。通过逐点模型选择估计回归误差密度。统计数学方法，18（4）：341-3742009·Zbl 1282.62095号 [55] P.Reynaud-Bouret、V.Rivoirard和C.Tuleau-Malot。自适应密度估计：支持的祸根？J.统计。计划。推断，141（1）：115-1392011·Zbl 1197.62033号 [56] P.Rigollet和A.B.Tsybakov。密度估计量的线性和凸聚合。数学。方法统计。，16(3):260-280, 2007. ·Zbl 1231.62057号 [57] M.罗森布拉特。关于密度函数的一些非参数估计的注记。安。数学。统计人员。，27: 832-837, 1956. ·Zbl 0073.14602号 [58] M.斯通。统计预测的交叉验证选择和评估。皇家统计学会杂志。B系列（方法学），第111-147页，1974年·兹比尔0308.62063 [59] A.B.茨巴科夫。农业估价师与优化随机性。J.Soc.Fr.Stat.&Rev.Stat.Appl.，《联邦公报》。，149(1):3-26, 2008. ·兹比尔1455.62080 [60] A.B.茨巴科夫。非参数估计简介。统计学中的斯普林格系列。施普林格，纽约，2009年。对2004年法文原版进行修订和扩充，弗拉基米尔·扎亚茨翻译·Zbl 1176.62032号 [61] G.Walter和J.Blum。使用增量序列进行概率密度估计。安.统计师。，7（2）:328-3401979年·Zbl 0403.62025号 [62] L.Wasserman先生。所有非参数统计。Springer科学与商业媒体，2006年·Zbl 1099.62029号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。