ইপেনটেকনিকভ কার্নেলটি তার তাত্ত্বিক অনুকূলতার জন্য সর্বজনীনভাবে ব্যবহার না করার কারণটি খুব ভাল হতে পারে যে এপেনটেকনিকভ কার্নেলটি আসলে তাত্ত্বিকভাবে সর্বোত্তম নয় । টিসাইবাকভ স্পষ্টভাবে এই যুক্তিটির সমালোচনা করেছিলেন যে এপেনটেকনিকভ কার্নেল পিপি। 16-19- তে ননপ্যারমেট্রিক অনুমানের পরিচিতির "তাত্ত্বিকভাবে অনুকূল" (অনুচ্ছেদ ।
কার্নেল K এবং একটি নির্দিষ্ট ঘনত্ব p সম্পর্কে কিছু অনুমানের অধীনে সংক্ষিপ্তসারটির চেষ্টা করার চেষ্টা করা হচ্ছে যে গড়টির সংহত বর্গ ত্রুটিটি ফর্মটির
1nh∫K2(u)du+h44S2K∫(p′′(x))2dx.(1)
টিসিবাকভের মূল সমালোচনা অ-নেতিবাচক কার্নেলের তুলনায় হ্রাস পাচ্ছে বলে মনে হয়, যেহেতু প্রায়শই আরও ভাল পারফরম্যান্স অনুমান করা সম্ভব যেগুলি অ-নেতিবাচক কার্নেলগুলিকে সীমাবদ্ধ না করে এমনকি অ-নেতিবাচকও করা যায়।
Epanechnikov কার্নেল জন্য যুক্তির প্রথম পদক্ষেপ কমানোর দ্বারা আরম্ভ (1) ধরে h এবং সমস্ত অ-নেতিবাচক কার্নেলের (বরং একটি বৃহত্তর ক্লাসের সব কার্নেলের চেয়ে) জন্য একটি "অনুকূল" ব্যান্ডউইথ পেতে K
hMISE(K)=(∫K2nS2K∫(p′′)2)1/5
এবং "অনুকূল" কার্নেল (এপেনটেকনিকভ)
K∗(u)=34(1−u2)+
যার গড় সংহত বর্গ ত্রুটি:
hMISE(K∗)=(15n∫(p′′)2)1/5.
p′′p -- therefore they are "oracle" quantities.
A proposition given by Tsybakov implies that the asymptotic MISE for the Epanechnikov oracle is:
limn→∞n4/5Ep∫(pEn(x)−p(x))2dx=34/551/54(∫(p′′(x))2dx)1/5.(2)
Tsybakov says (2) is often claimed to be the best achievable MISE, but then shows that one can use kernels of order 2 (for which SK=0) to construct kernel estimators, for every ε>0, such that
lim supn→∞n4/5Ep∫(p^n(x)−p(x))2dx≤ε.
Even though p^n isn't necessarily non-negative, one still has the same result for the positive part estimator, p+n:=max(0,p^n) (which is guaranteed to be non-negative even if K isn't):
lim supn→∞n4/5Ep∫(p+n(x)−p(x))2dx≤ε.
Therefore, for ε small enough, there exist true estimators which have smaller asymptotic MISE than the Epanechnikov oracle, even using the same assumptions on the unknown density p.
In particular, one has as a result that the infimum of the asymptotic MISE for a fixed p over all kernel estimators (or positive parts of kernel estimators) is 0. So the Epanechnikov oracle is not even close to being optimal, even when compared to true estimators.
The reason why people advanced the argument for the Epanechnikov oracle in the first place is that one often argues that the kernel itself should be non-negative because the density itself is non-negative. But as Tsybakov points out, one doesn't have to assume that the kernel is non-negative in order to get non-negative density estimators, and by allowing other kernels one can non-negative density estimators which (1) aren't oracles and (2) perform arbitrarily better than the Epanechnikov oracle for a fixed p. Tsybakov uses this discrepancy to argue that it doesn't make sense to argue for optimality in terms of a fixed p, but only for optimality properties which are uniform over a class of densities. He also points out that the argument still works when using the MSE instead of MISE.
EDIT: See also Corollary 1.1. on p.25, where the Epanechnikov kernel is shown to be inadmissible based on another criterion. Tsybakov really seems not to like the Epanechnikov kernel.
kdensity
।