Functional Autoregression Without Truncation: A Continuous-Regularization Approach
无需截断的函数自回归：连续正则化方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是函数自回归 FAR(1) 的估计与预测误差比较，并含 PM10 曲线预测应用，直接对应时间序列与预测方向；未涉及因果识别、面板或金融资产定价等主题。
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
无需截断的函数自回归：连续正则化方法
- 研究问题
- 摘要关注函数自回归模型 FAR(1) 的估计问题：传统做法先把曲线投影到前若干函数主成分、在得分空间拟合向量自回归，需要凭经验方差阈值选定离散截断水平 K；作者提出并检验能否用连续正则化参数替代这一离散截断选择。
- 方法与思路
- 作者先用蒙特卡洛实验考察截断水平 K 的影响，指出最优 K 随数据生成机制变化可达一个数量级，常用高方差阈值会造成预测恶化。随后提出 Tikhonov 正则化估计量，用数据驱动方式选取连续正则化参数，并在源条件下推导收敛速率，另用维也纳 PM10 日内曲线数据做应用。
- 材料陈述的贡献
- 摘要称，所提估计量在源条件与光滑参数 β∈(0,1] 下达到收敛速率 n^{-β/(2(β+1))}，对更光滑目标达到饱和速率 n^{-1/4}；在三种机制与四个样本量下接近最优 FPCA 规则，并在宽谱机制下优于该规则，且无需事先知道有效算子维数；应用显示相对 80% 阈值预测误差降低 9.7%。
- 阅读关注点
- 阅读全文时应核对：源条件与光滑参数的具体设定、正则化参数的数据驱动选择规则及其理论依据、收敛速率结论所依赖的假设、蒙特卡洛中三种机制与 oracle 基准的定义、以及 PM10 应用中误差度量与 16 个冬季季节稳定性的评估方式。
- 阅读边界
- 仅依据摘要，无法判断定理假设是否现实、模拟设计是否覆盖相关机制、应用结论能否外推；摘要未说明正则化参数选择的具体算法、计算成本与敏感性分析。该文为 arXiv 预印本，未经同行评审或期刊接收，结论应视为作者自述。
原文摘要
Functional autoregressive models of order one (FAR(1)) are predominantly estimated by projecting curves onto leading functional principal components and fitting a vector autoregression in score space, requiring a discrete truncation level $K$ chosen by an \emph{ad hoc} variance threshold. We demonstrate via Monte Carlo experiments that the truncation choice is both consequential and highly regime dependent: the optimal $K$ can differ by an order of magnitude across data-generating regimes, while commonly used high variance thresholds (95\%, 99\%) lead to substantial forecast deterioration, inflating error by up to $35 \%$ relative to an oracle benchmark. We propose a Tikhonov-regularized estimator $\widehatΨ_α= \widehat{C}_1(\widehat{C}_0 + αI)^{-1}$ that replaces the discrete truncation choice with a continuous regularization parameter, selected in a data-driven manner. We establish the convergence rate $n^{-β/(2(β+1))}$ under a source condition with smoothness parameter $β\in (0, 1]$, achieving the saturation rate $n^{-1/4}$ for smoother targets. Across three contrasting regimes and four sample sizes, the proposed estimator closely tracks the oracle-best FPCA rule and outperforms it in the most challenging wide-spectrum regime, without prior knowledge of the effective operator dimension. An application to 2{,}735 daily intraday PM10 curves from Vienna confirms a 9.7\% reduction in mean forecast error relative to the popular 80\% threshold and exhibits more stable parameter adaptation across 16 winter seasons.