Approximating fragmented functional data by segments of Markov chains
用马尔可夫链片段近似不完整函数数据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。
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：摘要属于不完整函数数据的延伸与预测，未明确涉及所列宏观、微观或金融应用方向。
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
用马尔可夫链片段近似不完整函数数据
- 研究问题
- 当每条函数曲线仅在其定义域的一部分被观测时，如何延伸这些片段、构造预测区间，并估计均值和协方差函数？
- 方法与思路
- 作者结合马尔可夫链与非参数平滑技术延伸已观测曲线片段，构造近似预测区间、均值和协方差估计及线性预测器。
- 材料陈述的贡献
- 摘要称，该程序同时提供曲线延伸、近似区间和线性预测工具，并使用真实数据与模拟数据说明其应用表现。
- 阅读关注点
- 应核对片段的观测机制、马尔可夫近似与平滑的衔接，以及未观测区域的信息来源和预测区间的覆盖率依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；曲线观测条件、预测区间保证及模拟结果未说明，不能推断延伸在任意缺失机制下有效。
原文摘要
We consider curve extension and linear prediction for functional data observed only on a part of their domain, in the form of fragments. We suggest an approach based on a combination of Markov chains and nonparametric smoothing techniques, which enables us to extend the observed fragments and construct approximated prediction intervals around them, construct mean and covariance function estimators, and derive a linear predictor. The procedure is illustrated on real and simulated data.