A Reproducing-Kernel-Based Nonparametric Test for Conditional Independence of Functional Data
基于再生核的函数型数据条件独立性非参数检验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：摘要属于通用函数型条件独立性检验，列举因果及宏观应用不足以确定具体领域细分。
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…
基于再生核的函数型数据条件独立性非参数检验
- 研究问题
- 当观测对象是随机函数而非有限维向量时，如何检验两个随机函数在给定第三个随机函数后的条件独立性并建立渐近校准？
- 方法与思路
- 作者基于联合条件协方差算子构造再生核检验，利用回归算子的收敛速率推导估计量渐近分布，再通过谱分解构造统计量。
- 材料陈述的贡献
- 摘要称将条件独立性检验拓展到函数型数据并推导所用算子估计量的渐近分布，以活动生物测量和宏观数据展示应用。
- 阅读关注点
- 应核对算子为零与条件独立等价的核条件、正则化与谱截断选择，以及函数离散观测时的近似误差和检验校准方法。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出完整核条件、样本依赖设定或有限样本检验性能。
原文摘要
Conditional independence is a fundamental concept in many areas of statistical research, including, for example, sufficient dimension reduction, causal inference, and statistical graphical models. In many modern applications, data arise in the form of random functions, making it important to determine whether two random functions are conditionally independent given a third. However, to the best of our knowledge, existing conditional independence tests in the literature apply only to multivariate data, and extensions to the functional setting are not available. To fill this gap, we develop a reproducing-kernel-based test for conditional independence of random functions based on the conjoined conditional covariance operator (CCCO). We rigorously derive the asymptotic distribution of the CCCO estimator using a recently established sharpened convergence rate for the regression operator (Choi et al., 2026). Based on this result, we construct a test statistic using the spectral decomposition of the operator appearing in the asymptotic distribution. The proposed method is illustrated through applications to an activity and biometrics dataset and a macroeconomic dataset.