Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Optimal Choice of Nonparametric Estimates of a Density and of its Derivatives

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F02%3A00007553" target="_blank" >RIV/00216224:14310/02:00007553 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Optimal Choice of Nonparametric Estimates of a Density and of its Derivatives

  • Popis výsledku v původním jazyce

    Kernel smoothers are one of the most popular nonparametric functional estimates. These smoothers depend on three parameters: the bandwidth which controls the smoothness of the estimate, the form of the kernel weight function and the order of the kernel which is related to the number of derivatives assumed to exist in the nonparametric model. Because these three problems are closely related one to each other it is necessary to address them all together. In this paper we concentrate on the estimation of adensity function and of its derivatives. We propose to use polynomial kernels and we construct data-driven choices for the bandwidth and the order of the kernel. We show a~theorem stating that this method for solving simultaneously the three selection problems mentioned before is asymptotically optimal in terms of Mean Integrated Squared Errors. As a by-product of our result we show an asymptotic optimality property for a~new bandwidth selector for density derivative which is quite appe

  • Název v anglickém jazyce

    Optimal Choice of Nonparametric Estimates of a Density and of its Derivatives

  • Popis výsledku anglicky

    Kernel smoothers are one of the most popular nonparametric functional estimates. These smoothers depend on three parameters: the bandwidth which controls the smoothness of the estimate, the form of the kernel weight function and the order of the kernel which is related to the number of derivatives assumed to exist in the nonparametric model. Because these three problems are closely related one to each other it is necessary to address them all together. In this paper we concentrate on the estimation of adensity function and of its derivatives. We propose to use polynomial kernels and we construct data-driven choices for the bandwidth and the order of the kernel. We show a~theorem stating that this method for solving simultaneously the three selection problems mentioned before is asymptotically optimal in terms of Mean Integrated Squared Errors. As a by-product of our result we show an asymptotic optimality property for a~new bandwidth selector for density derivative which is quite appe

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    BA - Obecná matematika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2002

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Statistics & Decisions

  • ISSN

    0721-2631

  • e-ISSN

  • Svazek periodika

    20

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    DE - Spolková republika Německo

  • Počet stran výsledku

    24

  • Strana od-do

    355-378

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus