我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
已知基于大小为$n$的样本的实线上密度的对数最大似然估计量可获得$O(n^{-4/5})$关于例如平方Hellinger距离的最小最大收敛速度。在本文中,我们证明了它还具有吸引人的自适应特性,即当真密度的对数为$k$-仿射(即由$k$affine块组成)或接近$k$-afffine时,只要在每种情况下$k$不太大,它就可以获得更快的收敛速度。我们的结果使用了两种不同的技术:第一种技术依赖于一个新的Marshall不等式来进行对数压缩密度估计,并揭示了当真密度在其支持下接近对数线性时,对数压缩最大似然估计可以实现总变差距离的参数收敛速度。我们的第二种方法依赖于局部包围熵方法,并允许我们证明一个尖锐的预言不等式,这特别意味着对于各种全局损失函数,包括Kullback–Leibler散度,$O(\frac{k}{n}\log^{5/4}(en/k)的风险界)当真实密度是对数凹的并且其对数接近$k$-仿射时。
阿琳·K·H·金。 阿迪亚纳和贡图博伊纳。 理查德·桑沃思(Richard J.Samworth)。 “对数曲线密度估计的适应性。” 安。统计师。 46 (5) 2279 - 2306, 2018年10月。 https://doi.org/10.1214/17-AOS1619