Functional Horseshoe Smoothing for Functional Trend Estimation
用于函数型趋势估计的函数型马蹄平滑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：摘要明确以函数型时间序列为对象示例，研究序列趋势的估计与平滑。
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
用于函数型趋势估计的函数型马蹄平滑
- 研究问题
- 如何灵活估计函数型观测序列的潜在趋势，兼顾突变捕捉与不确定性量化，并处理观测位置或方式不一致的数据？
- 方法与思路
- 作者对函数变量的一般阶差分引入收缩先验，建立局部自适应的贝叶斯平滑方法，并用后验预测损失选择基函数数量。
- 材料陈述的贡献
- 摘要称，方法具有支持收缩能力的理论性质，可捕捉突变，并无需数据增广处理异质观测；模拟与实际分析展示其性质。
- 阅读关注点
- 应核对函数差分与先验的定义、理论结果的条件、基函数选择方式，以及不规则观测处理和贝叶斯不确定性量化的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未给出理论条件、数据细节或覆盖率结果，不能据此确认普遍有效性。
原文摘要
Due to developments in instruments and computers, functional observations are increasingly popular. However, effective methodologies for flexibly estimating the underlying trends with valid uncertainty quantification for a sequence of functional data (e.g. functional time series) are still scarce. In this work, we develop a locally adaptive smoothing method, called functional horseshoe smoothing, by introducing a shrinkage prior to the general order of differences of functional variables. This allows us to capture abrupt changes by making the most of the shrinkage capability and also to assess uncertainty by Bayesian inference. The fully Bayesian framework allows the selection of the number of basis functions via the posterior predictive loss. We provide theoretical properties of the model, which support the shrinkage ability. Also, by taking advantage of the nature of functional data, this method is able to handle heterogeneously observed data without data augmentation. Simulation studies and real data analysis demonstrate that the proposed method has desirable properties.