کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10327511 681237 2013 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Minimum quadratic distance density estimation using nonparametric mixtures
ترجمه فارسی عنوان
تخمین چگالی فاصله حداقل مربعات با استفاده از مخلوط های غیر پارامتری
کلمات کلیدی
انتخاب پهنای باند، دوخت صاف برآورد چگالی مبتنی بر هسته، حداقل برآورد فاصله، مخلوط غیر پارامتری، از دست دادن چهارم،
ترجمه چکیده
از دست دادن چهارگانه در ادبیات به عنوان ضریب عملکرد برای تخمین چگالی غیر پارامتری عمدتا مورد استفاده قرار می گیرد، در حالی که مدل های مخلوط غیر پارامتری مورد مطالعه و تقریبا به طور انحصاری از روش حداکثر احتمال استفاده شده است. در این مقاله، هر دو برای برآورد یک تابع چگالی غیر پارامتری مرتبط هستند. به طور خاص، ما برآورد غیر پارامتری توزیع مخلوط را با به حداقل رساندن فاصله درجه دوم بین توزیع تجربی و توزیع مخلوط، که هر دو با استفاده از توابع هسته، روش شناخته شده به عنوان دوقطبی شناخته می شود. مطالعات تجربی نشان می دهد که تخمین های جدید تراکم مخلوط مبتنی بر برآوردگرهای چگالی مبتنی بر هسته از نظر میانگین خطای مربع مجرد برای تقریبا تمام توزیع هایی که ما مورد مطالعه قرار دادیم، با توجه به کاهش قابل توجهی که توسط مدل های مخلوط غیر پارامتری و هموار سازی دوگانه ارائه می شود، برتر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Quadratic loss is predominantly used in the literature as the performance measure for nonparametric density estimation, while nonparametric mixture models have been studied and estimated almost exclusively via the maximum likelihood approach. In this paper, we relate both for estimating a nonparametric density function. Specifically, we consider nonparametric estimation of a mixing distribution by minimizing the quadratic distance between the empirical and the mixture distribution, both being smoothed by kernel functions, a technique known as double smoothing. Experimental studies show that the new mixture-based density estimators outperform the popular kernel-based density estimators in terms of mean integrated squared error for practically all the distributions that we studied, thanks to the substantial bias reduction provided by nonparametric mixture models and double smoothing.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 57, Issue 1, January 2013, Pages 1-16
نویسندگان
, ,