Simultaneous Inference for Partially Observed Functional Time Series
部分观测函数型时间序列的同时推断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：摘要研究一般函数型时间序列并以污染数据为应用，未明确宏观或金融对象，现有证据不足以归入所列经济领域细分。
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
部分观测函数型时间序列的同时推断
- 研究问题
- 当传感器记录形成相互依赖且间歇缺失的函数型时间序列时，如何对整个函数定义域及随时间变化的污染趋势进行同时推断？
- 方法与思路
- 作者在赋予上确界范数的有界函数空间中建模，结合高斯逼近与随机过程理论，并将多尺度推断扩展至部分观测函数。
- 材料陈述的贡献
- 摘要称，方法可构造同时置信带并检测过高污染水平；其理论还通过避免函数型中心极限定理改善完全观测序列的已有结果。
- 阅读关注点
- 应核对污染路径与缺失模式的依赖条件、缺失机制、同时覆盖的定义，以及多尺度检验如何控制多个区间上的错误概率。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明缺失机制和依赖限制，不能判断其对一般非随机缺失是否适用。
原文摘要
Functional data analysis (FDA) provides statistical methods for analyzing samples of time-continuous stochastic processes. Measurements often arise in the form of sensor data for a key scientific variable. The practical problem of irregular sensor disruptions has fostered interest in analyzing partially observed random functions. Specifically, this paper is motivated by a time series of intermittently missing pollution data with dependence along pollution paths and missingness patterns. To allow statistical analysis, we develop the first inference methods for dependent, partially observed functional time series. Existing methods were not appropriate for this task, because they heavily rely on the independence of the data functions. Mathematically, we model data on the space of bounded functions equipped with the supremum norm. This allows simultaneous inference across the entire functional domain, including simultaneous confidence bands -- something existing Hilbert-space-based methods cannot provide. To study non-stationary trends along the time series, we extend state-of-the-art multiscale inference methods (originally developed for scalar data) to partially observed functions. The key application of the latter methods is testing for excessive pollution levels in inner cities. Our approach combines state-of-the-art Gaussian approximations with stochastic process theory. Interestingly, it also improves existing results for fully observed functional time series by avoiding a functional CLT.