Model Form Identification in High-Dimensional Functional Linear Regressions
高维函数型线性回归中的模型形式识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于高维函数型回归的统计方法与理论，涉及 RKHS、弹性网筛选与函数形式识别，未涉及因果推断、面板、离散选择、时间序列、因子模型或金融计量等用户提供的领域细分，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维函数型线性回归中的模型形式识别
- 研究问题
- 摘要称，本文研究标量响应与超高维函数型预测变量之间的高维函数型线性回归，目标是在高维性与可解释性双重挑战下识别哪些预测变量真正有效，并判断其函数系数属于简单形式还是复杂形式。
- 方法与思路
- 作者提出 MoFI-FLR 两步估计框架，基于再生核希尔伯特空间理论：第一步用函数型弹性网惩罚筛选无关协变量；第二步把入选预测变量的函数系数分解为有限维简单成分与无穷维补余成分，仅对补余成分施加惩罚，从而区分简单效应与复杂效应。
- 材料陈述的贡献
- 摘要称在温和正则条件下建立了非渐近理论保证，表明该方法能一致地恢复活跃协变量并准确识别其真实函数形式；作者还给出计算上可行的算法，并通过模拟研究和一项心理运动警觉任务 EEG 数据应用评估表现。
- 阅读关注点
- 阅读全文时应核对：函数系数分解的具体构造与可识别性条件、正则条件的含义与强度、非渐近界的形式与收敛速率、筛选步骤的确定方式、算法复杂度与调参细节，以及模拟设计和 EEG 应用中函数形式的判定依据。
- 阅读边界
- 仅凭摘要无法判断定理证明是否成立、正则条件是否易满足、模拟与实证是否支持所声称的识别能力，也未说明与既有高维函数型回归方法的比较结果；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
High-dimensional functional data are becoming increasingly common in fields such as environmental monitoring and neuroimaging. This paper studies high-dimensional functional linear regression models that relate a scalar response to ultra-high-dimensional functional predictors, where each predictor is treated as a random element in an infinite-dimensional functional space. To address the dual challenges of high-dimensionality and model interpretability, we propose MoFI-FLR, a novel two-step estimation framework rooted in reproducing kernel Hilbert space (RKHS) theory. The first step employs a functional elastic-net penalty to screen out irrelevant covariates, while the second step decomposes each selected predictor's functional coefficient into an interpretable finite-dimensional simple component and an infinite-dimensional complementary complement. By penalizing only the complementary component, our method automatically distinguishes simple effects, which consist only of the simple component, from complex effects, which also include complementary deviations. Under mild regularity conditions, we establish non-asymptotic theoretical guarantees, demonstrating that MoFI-FLR consistently recovers the active covariates and accurately identifies their true functional forms. We develop a computationally efficient algorithm to implement the proposed method and evaluate its performance through comprehensive simulation studies and an application to Psychomotor Vigilance Task EEG data.