Kernel Density Estimation und Verteilungstests (KDE)
Die Kernel Density Estimation (KDE) ist eine nichtparametrische Methode, die eine kontinuierliche Wahrscheinlichkeitsdichte schätzt, indem sie eine glatte Kernelfunktion über jede Beobachtung legt, ohne eine parametrische Verteilung anzunehmen. Sie geht auf Rosenblatt (1956) und die Lehrbuchbehandlung durch Silverman (1986) zurück und unterstützt auch Verteilungsvergleichstests, die auf den geschätzten Dichten basieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Rosenblatt, M. (1956). Remarks on Some Nonparametric Estimates of a Density Function. Annals of Mathematical Statistics, 27(3), 832-837. DOI: 10.1214/aoms/1177728190 ↗
- Silverman, B. W. (1986). Density Estimation for Statistics and Data Analysis. Chapman & Hall / CRC Press. ISBN: 978-0412246203
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Kernel Density Estimation and Distribution Testing (KDE). ScholarGate. https://scholargate.app/de/statistics/kernel-density-test
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Anderson-Darling-NormalitätstestStatistik↔ compare
- Lilliefors-Test auf NormalverteilungStatistik↔ compare
- Moods MedianentestStatistik↔ compare
- Quantile RegressionÖkonometrie↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →