Effective dimension reduction for sparse functional data
稀疏函数型数据的有效降维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数据降维，稀疏重复测量不足以确定其属于所列面板数据方向。
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…
稀疏函数型数据的有效降维
- 研究问题
- 当每个受试者仅有少量、含噪且不规则的函数观测时，如何利用跨个体信息刻画有效降维空间并控制估计误差？
- 方法与思路
- 作者通过函数型累积切片刻画降维空间，汇集整个样本的信息，并分析正则化截断与相关衰减结构的关系。
- 材料陈述的贡献
- 摘要称，理论揭示截断和衰减结构带来的偏差与方差权衡；模拟与应用展示了作者所称的较好有限样本表现。
- 阅读关注点
- 应核对稀疏观测及测量误差条件、累积切片的构造、截断选择规则，并查看性能比较使用的基准与评价指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；理论条件、比较对象和数值结果未提供，不能将示例中的性能陈述推广到所有函数数据。
原文摘要
We propose a method of effective dimension reduction for functional data, emphasizing the sparse design where one observes only a few noisy and irregular measurements for some or all of the subjects. The proposed method borrows strength across the entire sample and provides a way to characterize the effective dimension reduction space, via functional cumulative slicing. Our theoretical study reveals a bias-variance trade-off associated with the regularizing truncation and decaying structures of the predictor process and the effective dimension reduction space. A simulation study and an application illustrate the superior finite-sample performance of the method.