更改

这些是基于<font color="#ff8000">可变带宽 variable bandwidth</font>和<font color="#ff8000">长尾核估计器 long-tailed kernel estimators</font>的方法。将初步数据以有限或无限间隔变换为新的随机变量，这样更便于估计，然后对获得的密度估计进行逆变换；以及“拼合方法”，它为密度的尾部提供了确定的参数模型，并为近似密度模型提供了非参数模型。非参数估计器需要适当选择调整（平滑）参数，例如内核估计器的带宽和直方图的组距。这种选择大众化数据驱动方法是基于均方误差（MSE）及其渐近或上限的最小化的交叉验证及修改方法。<ref name="WandJon1995">{{cite book

这些是基于<font color="#ff8000">可变带宽 variable bandwidth</font>和<font color="#ff8000">长尾核估计 long-tailed kernel estimators</font>的方法。将初步数据以有限或无限间隔变换为新的随机变量，这样更便于估计，然后对获得的密度估计进行逆变换；以及“拼合方法”，它为密度的尾部提供了确定的参数模型，并为近似密度模型提供了非参数模型。非参数估计器需要适当选择调整（平滑）参数，例如核估计的带宽和直方图的组距。这种选择众所周知的数据驱动方法是基于最小均方误差及它的渐近性和上界的交叉验证及修改方法。<ref name="WandJon1995">{{cite book

| author=Wand M.P., Jones M.C.  

| author=Wand M.P., Jones M.C.  

| title=Kernel smoothing

| title=Kernel smoothing

可以找到一种差异方法，通过使用著名的非参数统计数据（例如Kolmogorov-Smirnov's，von Mises和Anderson-Darling的统计量）作为分布函数（dfs）空间中的度量，并将后来的统计量的分位数作为已知的不确定性或差异值。<ref name="Markovich2007"/><font color="#ff8000">自助法 Bootstrap</font>是另一种工具，可以通过不同的重抽样方案使用未知MSE的近似值来查找平滑参数。<ref name="Hall1992">{{cite book

可以找到一种差异方法，通过使用众所周知的非参数统计量（例如Kolmogorov-Smirnov's，von Mises和Anderson-Darling的统计量）作为分布函数（dfs）空间中的度量，并将后来的统计量的分位数作为已知的不确定性或差异值。<ref name="Markovich2007"/><font color="#ff8000">自助法 Bootstrap</font>是另一种工具，可以通过不同的重抽样方案使用未知MSE的近似值来查找平滑参数。<ref name="Hall1992">{{cite book

| author=Hall P.  

| author=Hall P.  

| title=The Bootstrap and Edgeworth Expansion

| title=The Bootstrap and Edgeworth Expansion