Estimation of functional derivatives
泛函导数的估计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：摘要属于函数型非参数回归与导数估计，未提供所列计量领域细分的明确依据。
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
泛函导数的估计
- 研究问题
- 当解释变量是平滑随机函数、响应为标量时，如何估计响应相对于函数轨迹的方向导数和梯度以量化变化关系？
- 方法与思路
- 作者提出非参数核估计方法，将随机函数解释变量分解为特征函数，并沿这些典范方向展开与估计梯度场。
- 材料陈述的贡献
- 摘要称所提方法能够得到泛函导数的渐近一致估计，并以生长曲线应用说明其对轨迹变化与标量响应关系的刻画。
- 阅读关注点
- 应核对函数关系的光滑性条件、特征函数估计与展开截断、核带宽选择，以及一致性结论采用的收敛定义。
- 阅读边界
- 所给为版本未注明的 OpenAlex 索引摘要；所谓最小假设的具体内容、收敛速率和推断方法未说明，导数也不自动具有因果含义。
原文摘要
Situations of a functional predictor paired with a scalar response are increasingly encountered in data analysis. Predictors are often appropriately modeled as square integrable smooth random functions. Imposing minimal assumptions on the nature of the functional relationship, we aim to estimate the directional derivatives and gradients of the response with respect to the predictor functions. In statistical applications and data analysis, functional derivatives provide a quantitative measure of the often intricate relationship between changes in predictor trajectories and those in scalar responses. This approach provides a natural extension of classical gradient fields in vector space and provides directions of steepest descent. We suggest a kernel-based method for the nonparametric estimation of functional derivatives that utilizes the decomposition of the random predictor functions into their eigenfunctions. These eigenfunctions define a canonical set of directions into which the gradient field is expanded. The proposed method is shown to lead to asymptotically consistent estimates of functional derivatives and is illustrated in an application to growth curves.