让是从未知（但肯定是不对称的）概率分布中得出的观察结果。
我想通过使用 KDE 方法找到概率分布： 但是，我尝试使用高斯内核，但它表现不佳，因为它是对称的。因此，我看到一些关于 Gamma 和 Beta 内核的工作已经发布，尽管我不明白如何使用它们。
我的问题是：假设基础分布的支持不在区间内，如何处理这种不对称情况？
非对称分布的核密度估计
机器算法验证
可能性
分布
密度函数
内核平滑
2022-03-17 09:45:45
2个回答
首先，当您的数据不对称时，具有对称内核的 KDE 也可以很好地工作。否则，实际上它在实践中将完全没有用。
其次，如果您认为这是导致问题的原因，您是否考虑过重新调整数据以修复不对称性。例如，尝试转到可能是个好主意，因为众所周知这有助于解决许多问题。
唔。您可能需要一个随位置变化的内核宽度。
如果我正在查看 eCDF 中的问题，那么我可能会尝试使 CDF 的数值斜率与内核大小相关。
我认为，如果您要进行坐标变换，那么您需要对起点和终点有一个很好的了解。如果您非常了解目标分布，则不需要内核近似值。