非参数统计中的核平滑方法/Kernel smoother

Kernel Smoother

  核函数$K_{h_{\lambda }}(X_0,X)$定义为
$$K_{h_{\lambda }}(X_0,X)=D(\frac{||X-X_0||}{h_{\lambda }(X_0)})$$
其中，$X,X_0\in {\mathbb{R}}^p$，$||\cdot ||$为欧拉范数，$h_{\lambda }(X_0)$为参数（核半径 kernel radius），$D(t)$通常是正实值函数，关于$||X-X_0||$非增。

  设$f(x):{\mathbb{R}}^p\to \mathbb{R}$为$x$的连续函数，样本 { ( x i , Y i ) , i = 1 , . . . , n } \{(x_i,Y_i),i=1,...,n\} { (xi​,Yi​),i=1,...,n}来自
$$Y_i=f(x_i)+{ϵ}_i$$
对任意$x_0\in {\mathbb{R}}^p$，Nadaraya-Watson核加权平均（$f(x)$的估计）定义为，
f ^ ( x 0 ) = ∑ i = 1 n K h λ ( x 0 , x i ) Y i ∑ i = 1 n K h λ ( x 0 , x i ) \hat{f}(x_0)=\frac{\su