Function estimation via wavelet shrinkage for long-memory data
长记忆数据的小波收缩函数估计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：摘要明确以长记忆、长程依赖和分数高斯噪声为研究对象，直接涉及时间序列依赖结构。
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
长记忆数据的小波收缩函数估计
- 研究问题
- 研究数据具有长程依赖时，非参数函数估计的极小极大风险如何变化，以及小波阈值方法能否达到相应最优收敛速率。
- 方法与思路
- 作者以分数高斯噪声近似长程依赖回归，借助小波–vaguelette 分解去相关，并提出依赖数据交叉验证选择分层阈值。
- 材料陈述的贡献
- 摘要称最优风险速率不同于独立或短程依赖情形，适当阈值的小波估计可在广泛函数空间达到极小极大速率。
- 阅读关注点
- 阅读全文时应核对噪声近似的条件、函数空间与依赖强度、阈值选择的可实现性，以及相对线性估计的比较依据。
- 阅读边界
- 摘要未给出具体速率、空间范围或比较设定，不能认定小波方法普遍更优。来源为版本未注明的 OpenAlex 索引摘要。
原文摘要
In this article we study function estimation via wavelet shrinkage for data with long-range dependence. We propose a fractional Gaussian noise model to approximate nonparametric regression with long-range dependence and establish asymptotics for minimax risks. Because of long-range dependence, the minimax risk and the minimax linear risk converge to 0 at rates that differ from those for data with independence or short-range dependence. Wavelet estimates with best selection of resolution level-dependent threshold achieve minimax rates over a wide range of spaces. Cross-validation for dependent data is proposed to select the optimal threshold. The wavelet estimates significantly outperform linear estimates. The key to proving the asymptotic results is a wavelet-vaguelette decomposition which decorrelates fractional Gaussian noise. Such wavelet-vaguelette decomposition is also very useful in fractal signal processing.