Notice bibliographique
Résumé
The problem of estimating an unknown probability density function (pdf) is of fundamental importance in statistics and required for many statistical applications.In recent years, efficient nonparametric estimation has had greater focus on the problem of nonparametric regression, while the more challenging problem of density estimation has been given much less attention.In this thesis, we consider a class of kernel-type density estimators with Fejér-type kernels and theoretical smoothing parameters h n = (2γθ n )/ log n, where the parameter γ > 0 describes the class of underlying pdfs and 0 ≤ θ n < 1.In theory, the estimator under consideration dominates in L p , 1 ≤ p < ∞, all other known estimators from the literature in the locally asymptotic minimax (LAM) sense.We demonstrate via simulations that the estimator in question is good by comparing its performance to other fixed kernel estimators.The kernel-type estimator is also studied under empirical bandwidth selection methods such as the common cross-validation and the less-known method based on the Fourier analysis of kernel density estimators.The common L 2 -risk is used to assess the quality of estimation.The estimator of interest is then tried to real financial data for a risk measure that is widely used in many applications.The simulation results testify that, for a good choice of γ, the theoretical estimator under study provides very good finite sample performance compared to the other kernel estimators.The study also suggests that the bandwidth obtained by using the Fourier analysis techniques performs better than the one from cross-validation in most settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».