更改
跳到导航
跳到搜索
←上一编辑
下一编辑→
重尾分布
(查看源代码)
2021年3月26日 (五) 14:17的版本
删除9字节
、
2021年3月26日 (五) 14:17
→重尾密度的估计
第245行:
第245行:
−
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
第254行:
第254行:
−
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
思无涯咿呀咿呀
管理员
2,443
个编辑
导航菜单
个人工具
登录
名字空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
集智百科
集智主页
集智斑图
集智学园
最近更改
所有页面
帮助
工具
特殊页面
可打印版本