Principal component models for sparse functional data
稀疏函数型数据的主成分模型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：摘要讨论通用函数型主成分与混合效应模型，未涉及宏观共同因子或经济面板，不能据名称直接分类。
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
稀疏函数型数据的主成分模型
- 研究问题
- 当个体曲线仅在稀疏且不规则的时点被观测、不同个体的测量时点又差异很大时，如何提取曲线的主要变异模式？
- 方法与思路
- 作者使用降秩混合效应框架处理稀疏、不规则观测的函数型数据，以主成分模型描述个体曲线之间的变化模式。
- 材料陈述的贡献
- 摘要称，所提技术能够处理标准完整曲线或共同密集网格方法较难应对的观测情形，但未给出理论性质或性能比较。
- 阅读关注点
- 应核对混合效应模型如何连接观测与潜在曲线、秩和主成分的选择，以及稀疏观测下模型可识别性与估计不确定性。
- 阅读边界
- 摘要未说明观测误差、测量时点机制、算法或一致性条件，不能判断恢复精度。材料为版本未注明的OpenAlex索引摘要。
原文摘要
The elements of a multivariate dataset are often curves rather than single points. Functional principal components can be used to describe the modes of variation of such curves. If one has complete measurements for each individual curve or, as is more common, one has measurements on a fine grid taken at the same time points for all curves, then many standard techniques may be applied. However, curves are often measured at an irregular and sparse set of time points which can differ widely across individuals. We present a technique for handling this more difficult case using a reduced rank mixed effects framework.