Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Portfolio Optimisation via Graphical Least Squares Estimation Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

A Kernel Goodness-of-fit Test for Maximum Likelihood Density Estimates of Normal Mixtures

verfasst von : Dimitrios Bagkavos, Prakash N. Patil

Erschienen in: Nonparametric Statistics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This article contributes a methodological advance so as to help practitioners decide in selecting between parametric and nonparametric estimates for mixtures of normal distributions. In order to facilitate the decision, a goodness-of-fit test based on the integrated square error difference between the classical kernel density and the maximum likelihood estimates is introduced. Its asymptotic distribution under the null is quantified analytically and a hypothesis test is then developed so as to help practitioners choose between the two estimation options. The article concludes with an example which exhibits the operational characteristics of the procedure.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Extension of the DgLARS Method to High-Dimensional Relative Risk Regression Models
Nächstes Kapitel Robust Estimation of Sparse Signal with Unknown Sparsity Cluster Value
Literatur
1.
Aldershof, B., Marron, J.S., Park, B.U., Wand, M.P.: Facts about the gaussian probability density function. Appl. Anal. 59, 289–306 (1992)MathSciNetCrossRef
2.
Davies, T.M., Jones, K., Hazelton, M.L.: Symmetric adaptive smoothing regimens for estimation of the spatial relative risk function. Comput. Stat. Data Anal. 101, 12–28 (2016)MathSciNetCrossRef
3.
4.
Eggermont, P.P.B., LaRiccia, V.N.: Maximum Penalized Likelihood Estimation, Volume I: Density Estimation. Springer, New York (2010)
5.
Fan, Y.: Testing the goodness of fit of a parametric density function by kernel method 10, 316–356 (1995)
6.
Fisher, N.I., Mammen, E., Marron, J.S.: Testing for multimodality. Comput. Stat. Data Anal. 18, 499–512 (1994)MathSciNetCrossRef
7.
Hall, P.: Central limit theorem for integrated square error of multivariate nonparametric density estimators. J. Multivar. Anal. 14, 1–16 (1984)
8.
Kiefer, N.M.: Discrete parameter variation: efficient estimation of a switching regression model. Econometrica 46, 427–434 (1978)MathSciNetCrossRef
9.
10.
Marron, J.S., Wand, M.P.: Exact mean integrated squared error. Ann. Stat. 20, 712–736 (1992)
11.
Priebe, C.E., Marchette, D.J.: Alternating kernel and mixture density estimates. Comput. Stat. Data Anal. 35, 43–65 (2000)MathSciNetCrossRef
12.
Sheather, S.J., Jones, M.C.: A reliable data-based bandwidth selection method for kernel density estimation. J. R. Stat. Soc. B 53, 683–690, 1991 (2001)
13.
Silverman, B.: Density Estimation for Statistics and Data Analysis. Chapman & Hall, New York (1986)CrossRef
14.
Roeder, K.: Density estimation with confidence sets exemplified by superclusters and voids in the galaxies. J. Am. Stat. Assoc. 85(411), 617–624 (1990)
Metadaten
Titel
A Kernel Goodness-of-fit Test for Maximum Likelihood Density Estimates of Normal Mixtures
verfasst von
Dimitrios Bagkavos
Prakash N. Patil
Copyright-Jahr
2020
Buch
Nonparametric Statistics

Print ISBN: 978-3-030-57305-8

Electronic ISBN: 978-3-030-57306-5

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-57306-5_7