Spectral density estimation of function-valued spatial processes
函数值空间过程的谱密度估计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：摘要明确聚焦函数值空间过程及不规则空间采样，现有领域列表无对应空间统计细分，不能仅凭谱密度归为宏观方向。
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…
函数值空间过程的谱密度估计
- 研究问题
- 对于取值于可分 Hilbert 空间的平稳空间过程，如何在不规则采样下估计谱密度，并刻画估计误差和渐近分布？
- 方法与思路
- 作者采用核平滑估计谱密度，在混合域渐近框架下分析偏差和方差，并讨论规则网格与离散采样函数数据的情形。
- 材料陈述的贡献
- 摘要称给出误差速率，规则网格特定协方差类下达到极小极大速率，并建立高斯 Hilbert 空间值过程下的渐近正态性。
- 阅读关注点
- 应核对混合域渐近的定义、采样位置与带宽条件、协方差衰减类别，以及离散采样误差如何进入理论结果。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体条件与速率未列出，最优速率和高斯渐近结论不能任意外推。
原文摘要
The spectral density function describes the second-order properties of a stationary stochastic process on Rd. This paper considers the nonparametric estimation of the spectral density of a continuous-time stochastic process taking values in a separable Hilbert space. Our estimator is based on kernel smoothing and can be applied to a wide variety of spatial sampling schemes including those in which data are observed at irregular spatial locations. Thus, it finds immediate applications in spatial statistics, where irregularly sampled data naturally arise. The rates for the bias and variance of the estimator are obtained under general conditions in a mixed-domain asymptotic setting. When the data are observed on a regular grid, the optimal rate of the estimator matches the minimax rate for the class of operator-covariance functions that decay according to a power law. The asymptotic normality of the spectral density estimator is also established under general conditions for Gaussian Hilbert-space valued processes. Finally, with a view towards practical applications the asymptotic results are specialized to the case of discretely-sampled functional data in a reproducing kernel Hilbert space.