Metodes pierādījumu reģistrs

Kernel Density Estimation

Kernel Density Estimation is a nonparametric method that estimates a continuous probability density by placing a smooth kernel function over each observation, without assuming any parametric distribution. It traces back to Rosenblatt (1956) and the textbook treatment by Silverman (1986), and it also supports distribution-comparison tests built on the estimated densities.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

Kernel Density Estimation and Distribution Testing (KDE)

Taksonomiskās metodes reģistrs · regression-model / statistics

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

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Same method familyAnderson-Darling Testmachine-suggested · Relational suggestion, not evidence.Same method familyLilliefors Testmachine-suggested · Relational suggestion, not evidence.Same method familyMood's Median Testmachine-suggested · Relational suggestion, not evidence.Same method familyQuantile Regressionmachine-suggested · Relational suggestion, not evidence.