2,443
个编辑
更改
→重尾密度的估计
Markovich中给出了估计重尾和超重尾概率密度函数的非参数方法<ref name="Markovich2007">{{cite book
| author=Markovich N.M.
| author=Markovich N.M.
| title=Nonparametric Analysis of Univariate Heavy-Tailed data: Research and Practice
| title=Nonparametric Analysis of Univariate Heavy-Tailed data: Research and Practice
| series=Chitester: Wiley
| series=Chitester: Wiley
| isbn=978-0-470-72359-3
| isbn=978-0-470-72359-3
}}</ref>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
}}</ref>。
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
| author=Wand M.P., Jones M.C.
| author=Wand M.P., Jones M.C.
| title=Kernel smoothing
| title=Kernel smoothing
| series=New York: Chapman and Hall
| series=New York: Chapman and Hall
| isbn=978-0412552700
| isbn=978-0412552700
}}</ref>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
}}</ref>
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
| author=Hall P.
| author=Hall P.
| title=The Bootstrap and Edgeworth Expansion
| title=The Bootstrap and Edgeworth Expansion