Kernel Density Estimation and Distribution Testing (KDE)
Kernel Density Estimation (KDE) เป็นวิธีการแบบนอนพาราเมตริก (nonparametric method) ที่ประมาณค่าความหนาแน่นของความน่าจะเป็นแบบต่อเนื่อง โดยการวางฟังก์ชันเคอร์เนล (kernel function) ที่มีความเรียบ (smooth) ไว้เหนือแต่ละจุดข้อมูล โดยไม่ต้องตั้งสมมติฐานเกี่ยวกับการแจกแจงแบบพาราเมตริก (parametric distribution) วิธีการนี้มีรากฐานย้อนกลับไปถึง Rosenblatt (1956) และการนำเสนอในตำราโดย Silverman (1986) นอกจากนี้ยังรองรับการทดสอบเปรียบเทียบการแจกแจงที่สร้างขึ้นจากความหนาแน่นที่ประมาณค่าได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Kernel Density Estimation and Distribution Testing (KDE). ScholarGate. https://scholargate.app/th/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.
- การทดสอบความเป็นปกติแบบแอนเดอร์สัน-ดาร์ลิงสถิติศาสตร์↔ compare
- การทดสอบลิลลีฟอร์สสำหรับภาวะปกติสถิติศาสตร์↔ compare
- การทดสอบมัธยฐานของมู้ดสถิติศาสตร์↔ compare
- การถดถอยควอนไทล์เศรษฐมิติ↔ compare