Adaptive estimation for Weakly Dependent Functional Times Series
弱依赖函数型时间序列的自适应估计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。
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：摘要明确研究弱依赖函数型时间序列的均值、自协方差与推断，直接对应时间序列方法，未提供宏观经济应用信息。
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…
弱依赖函数型时间序列的自适应估计
- 研究问题
- 当函数型时间序列在可能随机的设计点上被含误差地观测时，如何估计局部正则性，并据此适应稀疏或稠密观测设计？
- 方法与思路
- 作者在 Lᵖ-m 可逼近性假设下研究正则性估计的非渐近集中界，再构造自适应的非参数均值函数与自协方差函数估计量。
- 材料陈述的贡献
- 摘要称得到正则性估计的集中界和均值估计的渐近正态性，支持不规则均值函数的有效推断，并以模拟和实际应用展示表现。
- 阅读关注点
- 核对弱依赖与观测误差条件、局部正则性的定义、稀疏和稠密设计的处理，以及渐近正态性如何支持所称的诚实推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验；摘要未说明完整条件、收敛速度及覆盖保证的范围，不能判断有限样本可靠性。
原文摘要
The local regularity of functional time series is studied under $L^p-m-$appro\-ximability assumptions. The sample paths are observed with error at possibly random design points. Non-asymptotic concentration bounds of the regularity estimators are derived. As an application, we build nonparametric mean and autocovariance functions estimators that adapt to the regularity and the design, which can be sparse or dense. We also derive the asymptotic normality of the mean estimator, which allows honest inference for irregular mean functions. Simulations and a real data application illustrate the performance of the new estimators.