估计条件密度的交叉验证方法

@文章{Fan2004ACM,title={估计条件密度的交叉验证方法},author={范建清和曾浩毅},journal={Biometrika},年份={2004},体积={91},页码={819-834},网址={https://api.semanticscholar.org/CorpusID:6037178}}
我们扩展了交叉验证的思想,选择“双核”局部线性回归的平滑参数来估计条件密度。我们的选择规则通过最小化积分平方误差来优化估计的条件密度函数。我们还讨论了其他三种带宽选择规则,Fan等人(1996)使用的一种特殊方法,Hall等人(1999)在估计条件分布函数时用于带宽选择的引导方法

本文图表

核条件密度估计中带宽选择的最大似然方法

提出了一种基于条件密度核估计的经典极大似然方法的带宽选择方法,并考虑了对原方法的一点修改,即去掉一个观测值的极大似然法。

核条件密度估计中带宽选择的最大似然方法

本文讨论了条件密度的核估计。核平滑的一个重要问题是带宽选择。问题在于,最佳带宽取决于

交叉验证条件密度估计和连续差分模型

本文提出了一种基于改进的交叉验证过程的数据驱动的序列项选择方法,并建立了关于此类估计量估计误差的预言不等式。

高维统计中某些条件模型的kNN局部线性平滑的计算方面

使用近红外曲线对酸奶中核黄素含量进行了应用,以证明所提出的模型在逐点预测和预测区间中的有用性。

删失单指数回归模型中的条件密度估计

在单指标回归假设下,我们引入了一种新的半参数方法来估计截尾响应的条件密度。回归模型可以看作是一个泛化

条件密度估计的翘曲基

我们考虑在给定预测器X(假设为连续变量)的情况下估计响应向量Y的条件密度π的问题。我们提供了一个自适应非参数

条件密度函数的自适应估计

在本文中,我们考虑了在多元设置中使用分布为$(X,Y)$的独立样本来估计$f$,即给定$X$的$Y$的条件密度。我们认为

非参数混合与分位数回归及其应用

条件密度估计和分位数回归是一种技术,可以更好地理解响应变量和一组协变量之间的关系,与
...

条件分布函数的估计方法

受时间序列分析中预测区间设置问题的启发,我们提出了两种新的条件分布估计方法。第一种方法是基于局部拟合

密度估计平滑的交叉验证替代方法

基于积分平方误差(Rudemo(1982)最近也提出了一种交叉验证的替代方法,Hall(1983)建立了新方法的一致性和渐近最优性。

条件密度函数的非参数估计和对称性检验

本文提出了两种改进的基于局部拟合对数线性模型和约束局部多项式估计的条件密度估计方法,这两种方法都会产生非负估计。

估算和可视化条件密度

提出了一种改进的条件密度估计量,该估计量的均值等价于其他一些具有更好偏差性质的非参数回归平滑器,并证明了在某些常见情况下,改进的估计量的均方误差小于标准估计量。

局部多项式非参数回归和密度估计的经验偏差带宽

摘要提出了一种基于数据的局部带宽选择器,用于多项式的局部拟合非参数回归。被称为经验偏差带宽选择器(EBBS)的估计器

交叉验证与条件概率密度估计

本文表明,在条件密度的非参数估计问题中,交叉验证对相关分量产生渐近最优平滑,同时通过过度平滑来消除不相关分量。

一种有效的局部最小二乘回归带宽选择器

抽象局部最小二乘核回归为非参数回归或“散点图平滑”问题提供了一个有吸引力的解决方案,例如Fan所证明的。实用的

局部多项式拟合中数据驱动的带宽选择:可变带宽和空间自适应

在估计平均回归函数及其导数时,局部加权最小二乘回归已被证明是一种非常有吸引力的技术。本论文重点关注

设计自适应非参数回归

摘要本文研究了基于加权局部线性回归的非参数回归方法。与其他流行的内核方法相比,该方法具有优势。此外,这样的