เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| Kernel Density Estimation and Distribution Testing (KDE)× | การถดถอยควอนไทล์× | |
|---|---|---|
| สาขาวิชา≠ | สถิติศาสตร์ | เศรษฐมิติ |
| ตระกูล | Regression model | Regression model |
| ปีกำเนิด≠ | 1956 | 1978 |
| ผู้ริเริ่ม≠ | Rosenblatt (1956); Parzen (1962); textbook treatment by Silverman | Koenker & Bassett |
| ประเภท≠ | Nonparametric density estimation | Conditional quantile regression |
| แหล่งต้นตำรับ≠ | Rosenblatt, M. (1956). Remarks on Some Nonparametric Estimates of a Density Function. Annals of Mathematical Statistics, 27(3), 832-837. DOI ↗ | Koenker, R. & Bassett, G., Jr. (1978). Regression Quantiles. Econometrica, 46(1), 33-50. DOI ↗ |
| ชื่อเรียกอื่น≠ | kernel density estimate, KDE, Parzen window estimation, nonparametric density estimation | conditional quantile regression, regression quantiles, Kantil Regresyon |
| ที่เกี่ยวข้อง≠ | 4 | 5 |
| สรุป≠ | 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. | Quantile regression models conditional quantiles of an outcome - the median, the 25th or 75th percentile, and so on - rather than the conditional mean that OLS targets. Introduced by Koenker and Bassett in 1978, it reveals how predictors act across the whole distribution, including its tails. |
| ScholarGateชุดข้อมูล ↗ |
|
|