Robust functional principal components: A projection-pursuit approach
稳健函数型主成分：投影寻踪方法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：摘要研究一般函数型主成分，未明确建立时间序列依赖或宏观、金融因子模型。
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…
稳健函数型主成分：投影寻踪方法
- 研究问题
- 对于可视为随机过程实现的曲线数据，如何稳健估计其主成分，并考察不同污染机制下相较经典方法的表现？
- 方法与思路
- 作者将稳健投影寻踪扩展到函数型数据，结合不同平滑方法构造主成分估计量，并分析一致性和污染模拟表现。
- 材料陈述的贡献
- 摘要称，所提估计量在较弱假设下具有一致性，并以不同污染方案比较经典与稳健程序，但未报告比较数值或统一优势。
- 阅读关注点
- 核对稳健尺度与投影方向的定义、平滑参数及一致性条件，并检查污染方式、比较指标和稳健性与估计效率之间的权衡。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；随时间记录的函数不必然构成时间序列，摘要也未给出污染容忍度或性能结果。
原文摘要
In many situations, data are recorded over a period of time and may be regarded as realizations of a stochastic process. In this paper, robust estimators for the principal components are considered by adapting the projection pursuit approach to the functional data setting. Our approach combines robust projection-pursuit with different smoothing methods. Consistency of the estimators are shown under mild assumptions. The performance of the classical and robust procedures are compared in a simulation study under different contamination schemes.