Methodology and theory for partial least squares applied to functional data
函数型数据偏最小二乘的方法与理论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：摘要中的预测是通用函数型回归用途，未涉及宏观预测或金融收益预测，故不据此归类。
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
函数型数据偏最小二乘的方法与理论
- 研究问题
- 函数型数据中的偏最小二乘具有迭代结构，如何给出显式表达，并建立斜率估计的一致性及收敛速率理论？
- 方法与思路
- 作者为函数型偏最小二乘构造显式表述，以此分析估计性质；摘要同时说明该方法可用于线性预测或构造供后续分析的投影。
- 材料陈述的贡献
- 摘要称，显式表述带来对方法性质的新认识，并支持一致性与收敛速率结果，补充了此前对其迭代性质理解不足的问题。
- 阅读关注点
- 应核对函数型模型和协方差结构条件、迭代停止规则、斜率误差度量，以及理论如何与主成分投影方法相比较。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体模型条件与速率未提供，也未证明其预测效果普遍优于主成分方法。
原文摘要
The partial least squares procedure was originally developed to estimate the slope parameter in multivariate parametric models. More recently it has gained popularity in the functional data literature. There, the partial least squares estimator of slope is either used to construct linear predictive models, or as a tool to project the data onto a one-dimensional quantity that is employed for further statistical analysis. Although the partial least squares approach is often viewed as an attractive alternative to projections onto the principal component basis, its properties are less well known than those of the latter, mainly because of its iterative nature. We develop an explicit formulation of partial least squares for functional data, which leads to insightful results and motivates new theory, demonstrating consistency and establishing convergence rates.