Extremal Depth for Functional Data and Applications
函数型数据的极端深度及其应用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：摘要研究通用函数型数据深度与中心区域，未涉及经济分位数或分布效应的估计。
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
函数型数据的极端深度及其应用
- 研究问题
- 如何为函数型数据定义基于极端离群程度的深度，使其可用于构造中心区域、识别异常曲线并形成同时置信带？
- 方法与思路
- 作者提出极端深度，以曲线的极端离群程度排序，研究其性质并与已有深度比较，展示中心区域、箱线图和回归置信带应用。
- 材料陈述的贡献
- 摘要称，该深度的中心区域达到名义同时覆盖率，并与适当的逐点中心区域对应；方法还能抵抗某些类别的函数型异常值。
- 阅读关注点
- 核对极端深度定义、同时覆盖率结论的条件、逐点与同时区域的对应方式，以及抗异常性质具体涵盖哪些曲线污染。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明覆盖率结论的适用条件，也未声称抵抗所有函数型异常值。
原文摘要
We propose a new notion called “extremal depth” (ED) for functional data, discuss its properties, and compare its performance with existing concepts. The proposed notion is based on a measure of extreme “outlyingness.” ED has several desirable properties that are not shared by other notions and is especially well suited for obtaining central regions of functional data and function spaces. In particular: (a) the central region achieves the nominal (desired) simultaneous coverage probability; (b) there is a correspondence between ED-based (simultaneous) central regions and appropriate pointwise central regions; and (c) the method is resistant to certain classes of functional outliers. The article examines the performance of ED and compares it with other depth notions. Its usefulness is demonstrated through applications to constructing central regions, functional boxplots, outlier detection, and simultaneous confidence bands in regression problems. Supplementary materials for this article are available online.