Online Estimation for Functional Data
函数型数据的在线估计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：摘要讨论函数型数据的流式均值与协方差估计，未明确建模经济时间序列或开展预测。
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
函数型数据的在线估计
- 研究问题
- 函数型数据按数据流持续到达时，如何只利用已存统计量和当前数据块更新均值与协方差函数，并兼顾带宽选择、精度和计算成本？
- 方法与思路
- 作者将核估计分解为依赖带宽的两个充分统计量，维护动态候选带宽序列，跨数据块合并相应统计量来近似未来最优带宽下的更新。
- 材料陈述的贡献
- 摘要称推导在线均值与协方差估计的渐近正态性及相对效率下界，揭示候选带宽序列长度与估计精度、计算成本的关系。
- 阅读关注点
- 应核对候选带宽如何更新、跨块统计量如何合并，以及相对效率采用的参照估计和理论下界对数据到达方式的要求。
- 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；摘要未说明依赖结构或效率界条件，在线更新也不直接意味着处理分布漂移。
原文摘要
Functional data analysis has attracted considerable interest and is facing new challenges, one of which is the increasingly available data in a streaming manner. In this article we develop an online nonparametric method to dynamically update the estimates of mean and covariance functions for functional data. The kernel-type estimates can be decomposed into two sufficient statistics depending on the data-driven bandwidths. We propose to approximate the future optimal bandwidths by a sequence of dynamically changing candidates and combine the corresponding statistics across blocks to form the updated estimation. The proposed online method is easy to compute based on the stored sufficient statistics and the current data block. We derive the asymptotic normality and, more importantly, the relative efficiency lower bounds of the online estimates of mean and covariance functions. This provides insight into the relationship between estimation accuracy and computational cost driven by the length of candidate bandwidth sequence. Simulations and real data examples are provided to support such findings. Supplementary materials for this article are available online.