Prediction in functional regression with discretely observed and noisy covariates
离散观测且含噪协变量下的函数回归预测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：摘要中的因子模型用于一般函数型协变量，未提供宏观或金融因子应用的依据。
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
离散观测且含噪协变量下的函数回归预测
- 研究问题
- 当函数型协变量仅在离散点观测且含噪声时，预测任务是否需要完整函数回归，还是利用低维因子得分即可有效预测？
- 方法与思路
- 作者对预测变量施加因子模型，选择适当数量的因子得分作为回归变量，并通过理论、模拟和真实数据考察预测表现。
- 材料陈述的贡献
- 摘要称将问题嵌入标量对函数回归的预测收益有限，并称因子得分方法在技术条件下具有一致性、计算效率和良好实践表现。
- 阅读关注点
- 应核对因子模型设定、因子数量选择，以及观测网格与噪声如何影响一致性和与函数回归比较所得的结论。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出技术条件或应用领域，不能据此推广到任意函数数据。
原文摘要
In practice functional data are sampled on a discrete set of observation points and often susceptible to noise. We consider in this paper the setting where such data are used as explanatory variables in a regression problem. If the primary goal is prediction, we show that the gain by embedding the problem into a scalar-on-function regression is limited. Instead we impose a factor model on the predictors and suggest regressing the response on an appropriate number of factor scores. This approach is shown to be consistent under mild technical assumptions, numerically efficient and gives good practical performance in both simulations as well as real data settings.