On the Nonparametric Estimation of Covariance Functions
协方差函数的非参数估计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：摘要以平稳随机过程的协方差函数及其估计为核心，直接涉及时间序列的二阶依赖结构。
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…
协方差函数的非参数估计
- 研究问题
- 如何在不指定参数化协方差模型的情况下估计平稳随机过程的协方差函数，同时保证估计结果具有半正定性？
- 方法与思路
- 作者提出协方差函数的核估计方法，说明保持半正定性的构造，并研究协方差及方差估计的收敛性质。
- 材料陈述的贡献
- 摘要称，相关核估计可达到与最大似然估计相同的收敛率，估计方差时还可出现特别快的收敛速度，但未列明具体条件。
- 阅读关注点
- 应核对观测方式、过程依赖与平滑条件、半正定性的实现方式，以及与最大似然相同或特别快的速率分别适用于何种情形。
- 阅读边界
- 摘要未提供速率表达式和比较条件，不能概括为核估计普遍优于参数方法。材料为版本未注明的OpenAlex索引摘要。
原文摘要
We describe kernel methods for estimating the covariance function of a stationary stochastic process, and show how to ensure that the estimator has the positive semidefiniteness property. From a practical viewpoint, our method is significant because it does not demand a parametric model for covariance. From a technical angle, our results exhibit a striking departure from those in more familiar cases of kernel estimation. For example, in the context of covariance estimation, kernel estimators can have the same convergence rates as maximum likelihood estimators, and can have exceptionally fast convergence rates when employed to estimate variance.