跳转至

Bias Reduction for Local Polynomial Derivative Estimation

作者: Fujia Chang, W. John Braun
主题: 非参数 / 半参数
相关性: 7/10
链接: https://arxiv.org/abs/2608.13672

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在非参数回归中，如何在不显著增加方差或模型复杂度的前提下，降低局部多项式估计（尤其是导数估计）的偏差。当前成熟度较高，经典方法（如高阶局部多项式、多带宽组合）已被广泛研究，但“数据锐化”（data sharpening）作为一种通过调整数据而非改变平滑器的思路，仍是一个活跃的、偏重实用技巧的领域。本文聚焦于将迭代锐化从均值估计推广到一阶导数估计。

发展脉络（history）

  • 奠基工作：Choi and Hall (1999) 首次在密度估计中提出“数据锐化”概念，核心想法是：不改变核密度估计器本身，而是对数据点做微小调整，然后喂入标准平滑器，从而消除渐近偏差展开中的主导项。Choi et al. (2000) 将其推广到非参数回归（Nadaraya-Watson 和局部线性估计），奠定了该方向的基本框架。
  • 主要进展：Hall and Minnotte (2002) 将锐化推广到高阶（消除多个偏差项），但方法复杂。Hall and Kang (2005) 将其用于单峰密度估计。Naito and Yoshizaki (2009) 研究了锐化回归估计量的带宽选择。He (2019) 将高阶锐化推广到相依误差情形。Braun et al. (2020) 通过 Firth 偏差校正得分函数（Firth, 1993）为锐化提供了局部似然框架，并首次覆盖了导数估计。Chen et al. (2025) 提出了迭代锐化方法，用于回归均值函数估计，可将偏差阶数降至 O(h^{2M+2})。
  • 当前 frontier：迭代锐化在均值估计上已被 Chen et al. (2025) 系统化，但导数估计的迭代锐化尚未被处理。同时，多带宽偏差校正方法（Cheng et al., 2018）在均值估计上有效，但需多个带宽，且未直接处理导数。
  • 本文的位置：本文是 Chen et al. (2025) 迭代锐化思路在导数估计上的直接延伸。它定义了两个期望算子 L₀（作用于回归函数）和 L₁（作用于导数），通过反复应用残差算子 R = I - L₀ 构造锐化后的导数估计，将偏差从 O(h²) 降至 O(h^{2l+2})。高斯核下所有锐化系数为 1，得到简洁闭式。

子线索聚类

这些被引文献大致落在三条子线索上： 1. 数据锐化（Data Sharpening）：核心是调整数据点而非平滑器。包括奠基工作（Choi & Hall, 1999; Choi et al., 2000）、高阶锐化（Hall & Minnotte, 2002）、单峰密度锐化（Hall & Kang, 2005）、带宽选择（Naito & Yoshizaki, 2009）、相依误差（He, 2019）、局部似然框架（Braun et al., 2020）、迭代锐化（Chen et al., 2025）。这一簇在做什么：通过构造“锐化后的”响应或设计点，使标准平滑器的偏差展开中的低阶项被抵消。 2. 多带宽偏差校正（Multi-bandwidth Bias Reduction）：核心是组合不同带宽下的估计值来消除偏差。代表是 Cheng et al. (2018)。这一簇在做什么：利用偏差对带宽的依赖关系（如 O(h²)），通过外推或加权组合来消除主导偏差项。 3. 局部多项式导数估计的基础理论：包括 Fan and Gijbels (1996) 的专著、Gasser and Müller (1984) 的核方法、De Brabanter et al. (2013) 的导数估计。这一簇在做什么：提供局部多项式导数估计的渐近性质（偏差、方差、边界行为），是本文方法性能评估的基准。

这个方向在追问的核心问题

  1. 如何在不增加方差的前提下降低偏差？ 这是所有偏差校正方法的根本张力。本文的模拟明确展示了这一点：高阶锐化虽进一步降低偏差，但方差增加，导致 IMSE 在某个最优阶数后反弹。
  2. 如何保持方法的简洁性（单带宽、闭式解）？ 多带宽方法（Cheng et al., 2018）需要选择带宽网格，增加了调参负担。本文强调其方法仅用单带宽，且高斯核下系数全为 1，是简洁性的体现。
  3. 边界效应如何处理？ 本文的理论仅针对内点，边界处偏差行为不同，且迭代锐化可能使边界影响区域扩大（Chen et al., 2025 在均值估计中观察到这一现象）。这是本文明确承认的开放问题。
  4. 方差性质能否被精确刻画？ 本文仅给出方差阶数 O(1/(nh³))，但未给出精确的渐近方差表达式或常数。这是未来工作的方向。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者将缺口 frame 为“导数估计的偏差校正缺乏迭代锐化方法”。具体来说，Chen et al. (2025) 的迭代锐化只处理了均值估计，而 Braun et al. (2020) 的导数锐化是非迭代的。因此，本文是“显然的下一步”：将迭代锐化从均值推广到导数。
  • 哪些竞争路线被他淡化或回避了：作者淡化了多带宽方法（Cheng et al., 2018）的灵活性。虽然本文将其改编为导数估计的基准（MB），但作者强调其需要多个带宽和带宽网格选择，而本文方法只需单带宽。作者也回避了高阶局部多项式（如局部三次）的直接比较——高阶多项式也能降低偏差，但作者声称其“对带宽选择更敏感、有限样本下不稳定”（引用 Fan and Gijbels, 1996; De Brabanter et al., 2013; Li et al., 2003），但未在模拟中直接对比。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 未见明显缺失。该方向的经典文献（Choi, Hall, Fan, Gijbels, Cheng 等）均被覆盖。一个可能的补充是：关于“局部多项式导数估计的方差最优带宽选择”的文献（如 Ruppert, 1997, JASA），但本文主要关注偏差校正，方差仅作为副作用讨论，因此缺失不算严重。

张力

未见明显对立引用。各工作之间是互补而非矛盾的关系：数据锐化和多带宽方法是两种不同的偏差校正策略，各有优劣；高阶局部多项式是另一种策略。本文的模拟显示，在某些函数上锐化优于多带宽，在另一些上则相反，但这属于方法间的性能差异，而非理论矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
  • \( (x_i, y_i) \): 可观测的独立同分布样本，\( i=1,\dots,n \)。
  • \( g(x) \): 未知的平滑回归函数（目标量）。
  • \( g'(x) \): 一阶导数（本文的 estimand）。
  • \( \varepsilon_i \): 独立误差，均值为 0，方差为 \( \sigma^2 \)。
  • \( h \): 带宽（平滑参数）。
  • \( K(u) \): 对称核函数（如高斯核）。
  • \( K_h(u) = K(u/h)/h \): 缩放后的核。
  • \( \mu_j = \int u^j K(u) du \): 核的 j 阶矩。
  • \( \hat{g}(x) \), \( \hat{g}'(x) \): 局部线性估计的回归函数和导数。
  • \( L_0[g](x) = \mathbb{E}[\hat{g}(x)] \): 期望算子，作用于回归函数。
  • \( L_1[g](x) = \mathbb{E}[\hat{g}'(x)] \): 期望算子，作用于导数。
  • \( R = I - L_0 \): 残差算子。
  • \( g_l \): 经过 l 步锐化后的“伪回归函数”（不是可观测的，是构造的）。
  • \( \alpha_l \): 第 l 步的锐化系数。

  • \( a_k = \mu_{2k}/(2k)! \), \( b_k = \mu_{2k+2}/((2k+1)! \mu_2) \): 展开系数。

  • 模型：

  • 数据生成机制：\( y_i = g(x_i) + \varepsilon_i \)，其中 \( g \) 是充分光滑的（至少 \( 2l+2 \) 阶可导），\( \varepsilon_i \) 独立同分布，均值为 0，方差有限。

  • 估计方法：局部线性回归。在目标点 \( x \) 处，拟合一个局部线性模型 \( g(x_i) \approx a_0 + a_1 (x_i - x) \)，通过加权最小二乘得到 \( \hat{a}_0 = \hat{g}(x) \), \( \hat{a}_1 = \hat{g}'(x) \)。

  • 可观测数据：

  • 可观测：\( (x_i, y_i) \)，即设计点和带噪声的响应。
  • 想要但观测不到：真正的回归函数 \( g(x) \) 及其导数 \( g'(x) \)，以及无噪声的响应 \( g(x_i) \)。所有推断都依赖于对 \( g \) 的光滑性假设和核平滑。

第二步：讲最小内核

最简特例：高斯核，l=1 步锐化，内点估计

本文的核心思路可以用一个最简特例讲清楚：使用高斯核，只做一步锐化（l=1），且只考虑内点。

  • 在高斯核下，核矩为 \( \mu_{2k} = (2k)!/(2^k k!) \)，\( \mu_2 = 1 \)。因此，期望算子 \( L_0 \) 和 \( L_1 \) 的展开式（公式 (8) 和 (9)）简化为：

    \[L_0[g](x) = g(x) + \sum_{k=1}^\infty \frac{h^{2k}}{2^k k!} g^{(2k)}(x)\]
    \[L_1[g](x) = g'(x) + \sum_{k=1}^\infty \frac{h^{2k}}{2^k k!} g^{(2k+1)}(x)\]
    注意，这里的系数 \( a_k = b_k = 1/(2^k k!) \)，两者相同。

  • 一步锐化：构造锐化后的函数 \( g_1 = g + Rg = g + (I - L_0)g = 2g - L_0[g] \)。然后，锐化后的导数估计的期望是 \( L_1[g_1] \)。

  • 计算 \( L_1[g_1] \)：

    \[L_1[g_1] = L_1[2g - L_0[g]] = 2L_1[g] - L_1[L_0[g]]\]
    由于高斯核下 \( L_0 \) 和 \( L_1 \) 可交换（因为 \( L_1 = D_x L_0 \)，且 \( L_0 \) 是卷积算子），有 \( L_1[L_0[g]] = L_0[L_1[g]] \)。因此：
    \[L_1[g_1] = 2L_1[g] - L_0[L_1[g]] = (2I - L_0)[L_1[g]]\]
    代入 \( L_1[g] \) 的展开式：
    \[L_1[g_1](x) = 2\left( g'(x) + \sum_{k=1}^\infty \frac{h^{2k}}{2^k k!} g^{(2k+1)}(x) \right) - \left( g'(x) + \sum_{k=1}^\infty \frac{h^{2k}}{2^k k!} g^{(2k+1)}(x) + \sum_{k_0=1}^\infty \sum_{k_1=1}^\infty \frac{h^{2(k_0+k_1)}}{2^{k_0+k_1} k_0! k_1!} g^{(2(k_0+k_1)+1)}(x) \right)\]
    整理后，\( g'(x) \) 项为 \( 2g'(x) - g'(x) = g'(x) \)。\( h^2 \) 项（k=1）来自第一个和：\( 2 \cdot \frac{h^2}{2 \cdot 1!} g^{(3)}(x) = h^2 g^{(3)}(x) \)，来自第二个和（k=1 项）：\( -\frac{h^2}{2 \cdot 1!} g^{(3)}(x) = -\frac{h^2}{2} g^{(3)}(x) \)，两者相加得 \( \frac{h^2}{2} g^{(3)}(x) \)。但注意，第二个和中的双求和项（k_0=1, k_1=1）贡献了 \( -\frac{h^4}{4} g^{(5)}(x) \)，这是 \( h^4 \) 阶。因此，\( h^2 \) 项并未完全抵消？让我们重新仔细计算。

实际上，更简单的推导是直接使用论文中的公式。对于高斯核，一步锐化后的导数期望为（论文公式 (A2) 在 l=1 时）：

\[L_1[g_1](x) = g'(x) - \sum_{k_0=1}^\infty \sum_{k_1=1}^\infty \frac{h^{2(k_0+k_1)}}{2^{k_0+k_1} k_0! k_1!} g^{(2(k_0+k_1)+1)}(x)\]
这个双求和的最小指数是 \( k_0=k_1=1 \)，给出 \( h^4 \) 项。因此，\( L_1[g_1](x) - g'(x) = O(h^4) \)。相比原始估计的 \( O(h^2) \)，偏差阶数提升了两阶。

这个特例揭示了核心思路：通过构造 \( g_1 = 2g - L_0[g] \)，我们实际上是在“减去” \( L_0[g] \) 中多余的 \( g \) 部分，使得 \( L_1[g_1] \) 中的 \( h^2 \) 项被抵消。更一般地，对于 l 步锐化，我们反复应用 \( R = I - L_0 \)，逐步消除 \( h^2, h^4, \dots, h^{2l} \) 项。高斯核的特殊性在于，所有锐化系数 \( \alpha_l = 1 \)，使得更新公式简化为 \( g_l = \sum_{j=0}^l R^j g \)，且证明可通过组合恒等式（Riordan 恒等式）完成。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：如何通过迭代数据锐化方法，降低局部线性一阶导数估计的偏差，使其从 \( O(h^2) \) 降至 \( O(h^{2l+2}) \)。
  2. 核心工具 / 方法：定义两个期望算子 \( L_0 \)（作用于回归函数）和 \( L_1 \)（作用于导数），以及残差算子 \( R = I - L_0 \)。通过递归构造锐化函数 \( g_l = g_{l-1} + \alpha_l R^l g \)，并证明存在系数 \( \alpha_l \) 使得 \( L_1[g_l] \) 的偏差阶数为 \( O(h^{2l+2}) \)。高斯核下所有 \( \alpha_l = 1 \)，得到闭式解。
  3. 主要结论：对于一般对称核，经过 l 步锐化后，导数估计的偏差阶数可从 \( O(h^2) \) 降至 \( O(h^{2l+2}) \)（定理 3.4）。高斯核下，锐化系数全为 1，且偏差可表示为多重求和形式（命题 3.6）。方差阶数保持为 \( O(1/(nh^3)) \)，与原始估计相同。模拟验证了偏差阶数的提升，并展示了偏差-方差权衡。

关键设定与假设

  • 设定：独立同分布数据 \( (x_i, y_i) \)，模型 \( y_i = g(x_i) + \varepsilon_i \)，\( \varepsilon_i \) 均值为 0，方差有限。目标点 \( x \) 为设计支撑的内点。核函数 \( K \) 为对称核，具有有限矩。回归函数 \( g \) 充分光滑（至少 \( 2l+2 \) 阶连续可导）。
  • 假设：
  • 对称核：\( K(u) = K(-u) \)，确保奇数阶矩为零，这是偏差展开中只有偶数阶项的关键。
  • 内点：\( x \) 远离边界，使得局部线性估计的渐近偏差和方差公式成立。边界处行为不同，本文未处理。
  • 光滑性：\( g \) 足够光滑，使得泰勒展开和余项控制可行。这是所有局部多项式方法的标准假设。
  • \( a_1 \neq 0 \)：即 \( \mu_2 \neq 0 \)，这是核函数的常规要求（所有常用核都满足）。
  • 相比已有文献的放宽或强化：
  • 相比 Chen et al. (2025) 的均值估计迭代锐化，本文将其推广到导数估计，但仅处理一阶导数，未处理高阶导数。
  • 相比 Braun et al. (2020) 的导数锐化（基于 Firth 校正，非迭代），本文提出了迭代框架，可达到任意高阶的偏差校正。
  • 相比 Cheng et al. (2018) 的多带宽方法，本文只需单带宽，但需要计算锐化系数（一般核下需数值递归）。

主要结果

  • 定理 3.4（一般对称核）：若 \( a_1 \neq 0 \)，则存在锐化系数 \( \alpha_1, \dots, \alpha_l \) 使得 \( L_1[g_l](x) - g'(x) = O(h^{2l+2}) \)。证明通过归纳法构造系数，每一步消除当前主导偏差项。系数有显式公式（如公式 (5)-(7) 给出了 \( \alpha_1, \alpha_2, \alpha_3 \) 用核矩表示的表达式）。
  • 命题 3.6（高斯核）：所有锐化系数 \( \alpha_l = 1 \)，且 \( L_1[g_l](x) - g'(x) \) 可表示为多重求和（公式 (10)），其最小指数为 \( h^{2l+2} \)，因此偏差阶数为 \( O(h^{2l+2}) \)。证明通过归纳法和 Riordan 恒等式完成。
  • 方差性质（第 3.3 节）：锐化后的导数估计仍是响应的线性组合，其方差阶数为 \( O(1/(nh^3)) \)，与原始局部线性导数估计相同。这意味着锐化不改变方差阶数，但可能改变常数项（模拟中观察到高阶锐化方差增大）。

证明路线与技术技巧

整体路线（以一般核的定理 3.4 为例）： 1. 步骤 1：推导 \( L_0 \) 和 \( L_1 \) 的渐近展开。利用泰勒展开和核矩，得到 \( L_0[g] = g + \sum_{k=1}^\infty a_k h^{2k} g^{(2k)} \)，\( L_1[g] = g' + \sum_{k=1}^\infty b_k h^{2k} g^{(2k+1)} \)。 2. 步骤 2：分析残差算子 \( R = I - L_0 \)。引理 3.1 证明 \( R^l g = (-a_1)^l h^{2l} g^{(2l)} + O(h^{2l+2}) \)，即 \( R^l \) 将 \( g \) 映射到其 \( 2l \) 阶导数乘以 \( h^{2l} \)。 3. 步骤 3：分析 \( L_1[R^l g] \)。引理 3.2 证明 \( L_1[R^l g] = (-a_1)^l h^{2l} g^{(2l+1)} + O(h^{2l+2}) \)。这是关键：\( L_1 \) 作用于 \( R^l g \) 后，得到的是 \( g \) 的 \( (2l+1) \) 阶导数项。 4. 步骤 4：归纳构造锐化系数。假设经过 \( l-1 \) 步锐化后，\( L_1[g_{l-1}] - g' = C_l h^{2l} g^{(2l+1)} + O(h^{2l+2}) \)。第 l 步锐化添加 \( \alpha_l R^l g \)，因此 \( L_1[g_l] - g' = (C_l + \alpha_l (-a_1)^l) h^{2l} g^{(2l+1)} + O(h^{2l+2}) \)。选择 \( \alpha_l = -C_l / (-a_1)^l \) 即可消除 \( h^{2l} \) 项，使偏差阶数提升至 \( O(h^{2l+2}) \)。

关键跳跃点： - 引理 3.1 和 3.2 的证明：需要处理 \( R^l g \) 的高阶导数。证明通过归纳法，利用 \( R \) 的展开式，并控制高阶余项。难点在于确保余项阶数的正确性。 - 高斯核下的组合恒等式（Riordan 恒等式）：这是证明命题 3.6 的核心。需要将 \( L_1[g_l] \) 展开为多重求和，并利用组合恒等式 \( \sum_{j=0}^n (-1)^j \binom{n}{j} \binom{j}{k} = 0 \)（\( k < n \)）来消去交叉项，最终只剩下 \( k_0, \dots, k_l \) 全为正的求和项。这个恒等式是证明的关键技巧。

技术技巧点名： - 泰勒展开与核矩：用于推导 \( L_0 \) 和 \( L_1 \) 的渐近展开，是标准技巧。 - 归纳法：用于证明引理 3.1、3.2 和定理 3.4。 - 算子代数：将 \( L_0 \) 和 \( L_1 \) 视为线性算子，利用其交换性（高斯核下）简化计算。 - Riordan 恒等式：用于高斯核下的组合推导，是证明命题 3.6 的核心组合工具。 - 数值递归：对于一般核，高阶锐化系数 \( \alpha_l \) 的表达式复杂，论文提到可通过数值递归计算（见补充代码 ds_alphas.R）。

真实例子与应用

  • 模拟实验：
  • 数据：三个测试函数：\( g_1(x) = 25\sin(x/30) + 5 \)（平滑正弦）、\( g_2(x) = x^7 \)（多项式）、\( g_3(x) = \sin(2\pi x) \)（强局部曲率）。样本量 \( n=601 \)，设计点等距，误差 \( \varepsilon_i \sim N(0, 0.3^2) \)。
  • 方法应用：比较六种方法：普通局部线性（LL）、1-4 步锐化（SH1-SH4）、多带宽基准（MB）。使用高斯核，锐化系数全为 1。评估指标为平均绝对偏差、标准差和积分均方误差（IMSE），在内点区域计算。
  • 结果：
    • 偏差阶数验证（无噪声）：表 2 显示，低阶锐化（SH1, SH2）的 log-log 斜率接近理论值（4, 6）。高阶锐化（SH3, SH4）的斜率偏离理论值（8, 10），论文解释为有限样本下高阶余项影响，以及 \( g_2 \) 的高阶导数为零。
    • 有限样本性能（有噪声）：表 3 显示，锐化方法在所有函数上均降低了最小 IMSE。例如，\( g_1 \) 上 LL 的 IMSE 为 \( 1.19 \times 10^{-4} \)，SH3 降至 \( 5.64 \times 10^{-6} \)（降低 95%）。最优锐化阶数因函数而异（\( g_1, g_2 \) 上 l=3，\( g_3 \) 上 l=1）。高阶锐化虽进一步降低偏差，但方差增大，导致 IMSE 反弹。
    • 与 MB 对比：锐化方法在多数情况下优于或持平于 MB。例如，\( g_2 \) 上 MB 的 IMSE（0.0300）甚至高于 LL（0.0248），而 SH3 降至 0.0153。
  • 这个例子想说明什么：验证理论偏差阶数，展示偏差-方差权衡，并证明锐化方法在有限样本下有效，且通常优于多带宽基准。
  • 真实数据：摩托车冲击数据（MASS 包）：
  • 数据：记录模拟摩托车碰撞实验中头部加速度（单位 g）随时间的变化。目标：估计平均加速度曲线 \( g(t) \) 及其导数 \( g'(t) \)（加速度变化率）。
  • 方法应用：使用高斯核，比较 LL、SH1、SH2 和 MB。带宽 \( h = 4,5,6,7 \)。在 400 个等距网格点上估计导数。
  • 结果：图 4 显示，锐化后的导数估计在初始下降阶段更负，在恢复阶段更正，使峰值和谷值更明显。表 4 显示，锐化增加了估计曲线的粗糙度（roughness 从 LL 的 4.461 升至 SH2 的 17.372），与模拟中方差增大的现象一致。
  • 这个例子想说明什么：展示方法在真实数据上的应用效果，说明锐化能揭示更明显的局部特征（如更陡的下降和上升），但代价是曲线更粗糙（方差增大）。

🔎 结论是否比证明窄

  • 是。定理 3.4 和命题 3.6 严格证明了偏差阶数的提升，但结论的适用范围比证明窄：
  • 仅针对内点：论文明确声明“本文的理论主要关注内点的偏差校正”（结论部分）。边界处的偏差行为不同，且 Chen et al. (2025) 在均值估计中发现迭代锐化会使边界影响区域扩大。本文未提供边界理论。
  • 仅针对一阶导数：方法被构造为仅估计一阶导数。虽然理论上可推广到高阶导数（通过定义相应的 \( L_r \) 算子），但论文未给出证明或公式。
  • 方差性质仅给出阶数：论文仅给出方差阶数 \( O(1/(nh^3)) \)，未给出精确的渐近方差表达式或常数。因此，无法进行效率比较（如与半参数效率界对比）。
  • 锐化系数的存在性 vs. 可计算性：定理 3.4 证明存在系数 \( \alpha_l \)，并给出了前三个的显式公式。但对于高阶 l，论文仅提到“可通过数值递归获得”，未证明该递归总是收敛或稳定。这是一个潜在的理论缺口。

四、开放问题

  1. 边界偏差校正：本文理论仅针对内点。边界处局部线性估计的偏差阶数不同（为 \( O(h) \)），且迭代锐化可能使边界影响区域扩大（Chen et al., 2025 在均值估计中观察到）。扎根于：结论部分“边界效应和锐化估计量的方差性质仍需进一步研究”。
  2. 方差性质的精确刻画：本文仅给出方差阶数 \( O(1/(nh^3)) \)，未给出精确的渐近方差表达式或常数。这限制了与半参数效率界的比较，也无法判断锐化是否引入了额外的方差代价。扎根于：第 3.3 节“锐化后的导数估计具有相同的方差阶数”，但未给出常数。
  3. 高阶导数估计的推广：本文方法仅针对一阶导数。能否定义类似的算子 \( L_r \) 用于 r 阶导数估计？其锐化系数是否仍有闭式解（高斯核下）？扎根于：结论部分“该方法也可应用于其他直接需要导数估计的问题”，但未具体说明。
  4. 锐化系数的数值稳定性：对于一般核，高阶锐化系数 \( \alpha_l \) 的表达式复杂，论文提到可通过数值递归计算。该递归的数值稳定性如何？是否存在核函数使得递归发散？扎根于：第 3.1 节“这些系数可通过进一步的数值递归获得”，但未分析稳定性。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论