Modeling Repeated Functional Observations
重复函数型观测的建模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：摘要明确研究同一对象被多次观测产生的纵向依赖，属于面板式重复观测的方法问题。
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
重复函数型观测的建模
- 研究问题
- 同一对象的曲线被反复记录并相互依赖时，如何在密集规则或稀疏随机观测时点下分解变异并估计模型成分？
- 方法与思路
- 作者提出重复函数型数据模型，用两步函数主成分分析实现可解释的变异分解，并与二维展开方法比较。
- 材料陈述的贡献
- 摘要称，文章给出模型成分估计的一致性与渐近收敛率，并通过多国多年死亡率曲线及模拟展示方法。
- 阅读关注点
- 应核对对象内与对象间变异如何分解、稀疏随机观测需要哪些条件，以及主成分截断和收敛率的关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；不能推断刊本变化。摘要未列出具体收敛率及观测机制假设，也未说明比较中的数值结果。
原文摘要
We introduce a new methodological framework for repeatedly observed and thus dependent functional data, aiming at situations where curves are recorded repeatedly for each subject in a sample. Our methodology covers the case where the recordings of the curves are scheduled on a regular and dense grid and also situations more typical for longitudinal studies, where the timing of recordings is often sparse and random. The proposed models lead to an interpretable and straightforward decomposition of the inherent variation in repeatedly observed functional data and are implemented through a straightforward two-step functional principal component analysis. We provide consistency results and asymptotic convergence rates for the estimated model components. We compare the proposed model with an alternative approach via a two-dimensional Karhunen-Loève expansion and illustrate it through the analysis of longitudinal mortality data from period lifetables that are repeatedly observed for a sample of countries over many years, and also through simulation studies. This article has online supplementary materials.