摘要
一类概率密度估计可以通过一个依赖于密度对数粗糙度的函数来惩罚似然来获得。随着平滑量的增加,估计值的极限情况具有自然形式,这使得该方法对数据分析具有吸引力,并为粗糙度惩罚的特定选择提供了理论依据。证明了这些估计是一个无约束凸优化问题的解,并给出了它们存在的温和自然条件。给出了渐近正态和高斯过程逼近的各种范数和条件的一致性率,从而在最大惩罚似然密度估计理论中开辟了新的天地。
问询处
发布日期:1982年9月
首次在欧几里得项目中提供:2007年4月12日
数字对象标识符:10.1214/aos/1176345872
学科:
主要用户:62G05型
次要:46E35型,62E20型,65日第10天
关键词:渐近正态性,一致性,凸优化的存在唯一性,数据分析,高斯过程,惩罚可能性,概率密度估计,费率,再生核希尔伯特空间,粗糙度惩罚,平滑的,索波列夫空间,强近似
版权所有©1982数学统计研究所