A new class of functional conditional autoregressive models
一类新的函数型条件自回归模型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：摘要聚焦空间函数数据，未明确研究时间序列、经济网络或所列领域中的因子模型。
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…
关注这篇论文的作者
一类新的函数型条件自回归模型
- 研究问题
- 如何为具有空间依赖的函数型观测建立条件自回归模型，并同时估计协方差算子与可用于推断的空间依赖参数？
- 方法与思路
- 作者以邻近函数观测定义条件均值，结合条件中心化协方差估计、投影观测的似然优化及新的剖面估计方法。
- 材料陈述的贡献
- 摘要称，在扩张格点框架下证明协方差估计一致性，以及空间参数的超一致性与渐近正态性，并分析县域污染轨迹。
- 阅读关注点
- 应核对扩张格点及空间参数的条件、超一致性的具体速率、投影维度选择，以及剖面步骤如何影响推断误差。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断理论条件、有限样本覆盖率及不规则空间布局下的适用性；不推断其他版本变化。
原文摘要
SUMMARY We introduce a new class of conditional autoregressive models for spatially dependent functional data, formulated through conditional means, given neighbouring functional observations and characterized by a covariance operator and a spatial dependence parameter. Our estimation strategy consists of three components: (i) estimating the covariance operator using conditionally centred data, (ii) estimating the spatial dependence parameter by maximizing the likelihood of the projected observations, and (iii) applying a novel profile-based approach to obtain the final estimators. Under an expanding lattice framework, we establish two key theoretical results. First, we establish the consistency of the proposed covariance estimator, which is unattainable using naive methods based on marginally centred data. Second, we prove that the spatial dependence parameter estimator is superconsistent and asymptotically normal, where the latter property enables statistical inference for spatial dependence in functional data, a contribution that is novel in the existing literature. Numerical studies support the theoretical results and demonstrate the computational efficiency of our method. Finally, we illustrate its practical utility by analysing weekly PM$ {}_{2.5} $ concentration trajectories in 2019 across counties in the Midwestern United States.