Nonparametric maximum likelihood estimation of the structural mean of a sample of curves
曲线样本结构均值的非参数最大似然估计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：摘要研究函数型曲线的配准与结构均值，结构一词并不提供归入经济结构估计的依据。
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
曲线样本结构均值的非参数最大似然估计
- 研究问题
- 当观测曲线同时包含随机振幅与相位变化时，如何估计潜在振幅过程的结构均值，而非直接使用观测曲线的截面均值？
- 方法与思路
- 作者将曲线视为振幅过程与随机时间变换的复合，提出结构均值的非参数最大似然估计，并与标志点配准进行比较。
- 材料陈述的贡献
- 摘要称，估计量在假设模型下具有根号样本量速率的一致性和渐近正态性，对模型误设稳健，并避免逐条识别标志点。
- 阅读关注点
- 应核对振幅与相位的分离条件、潜在结构均值的识别、误设稳健性的具体含义，以及与标志点配准的比较设计。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明模型假设和误设范围，不能将稳健性或竞争性表现理解为普遍优势。
原文摘要
A random sample of curves can be usually thought of as noisy realisations of a compound stochastic process X(t) = Z{W(t)}, where Z(t) produces random amplitude variation and W(t) produces random dynamic or phase variation. In most applications it is more important to estimate the so-called structural mean μ(t) = E{Z(t)} than the crosssectional mean E{X(t)}, but this estimation problem is difficult because the process Z(t) is not directly observable. In this paper we propose a nonparametric maximum likelihood estimator of μ(t). This estimator is shown to be √n-consistent and asymptotically normal under the assumed model and robust to model misspecification. Simulations and a realdata example show that the proposed estimator is competitive with landmark registration, often considered the benchmark, and has the advantage of avoiding time-consuming and often infeasible individual landmark identification.