α -separability and adjustable combination of amplitude and phase model for functional data
函数型数据的 α 可分离性与幅度、相位的可调组合模型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：摘要聚焦函数型数据的幅度与相位建模，未明确涉及所列因果、面板、时间序列或金融细分，故暂不分类。
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
函数型数据的 α 可分离性与幅度、相位的可调组合模型
- 研究问题
- 函数型数据的幅度变化与相位变化如何实现可识别的分离和联合建模，并允许研究者调整对纵向与横向特征的关注？
- 方法与思路
- 作者构造由 α 索引的度量族，定义 α 可分离性，并将其与 Fréchet 均值的唯一性联系起来，提出可调组合模型。
- 材料陈述的贡献
- 摘要称该模型提供了理解可识别性的新视角，证明样本 Fréchet 均值、方差及所提估计量的一致性，并给出模拟和疫情数据示例。
- 阅读关注点
- 阅读全文时应核对度量族和可分离性的定义、均值唯一性的具体条件，以及 α 的选择如何影响模型解释和估计的一致性。
- 阅读边界
- 仅依据所给 Crossref 摘要；一致性证明的条件、α 的选取规则及应用结果未展开，不能据此判断普遍适用性或推断其他版本变化。
原文摘要
Abstract We consider separating and joint modelling amplitude and phase variations for functional data in an identifiable manner. To rigorously address this separability issue, we introduce the notion of α-separability upon constructing a family of α-indexed metrics. We bridge α-separability with the uniqueness of Fréchet mean, leading to the proposed adjustable combination of amplitude and phase model. The parameter α allows user-defined modelling emphasis between vertical and horizontal features and provides a novel viewpoint on the identifiability issue. We prove the consistency of the sample Fréchet mean and variance, and the proposed estimators. Our method is illustrated in simulations and COVID-19 infection rate data.