Superconsistent Estimation of Points of Impact in Non-Parametric Regression with Functional Predictors
函数型预测变量非参数回归中影响点的超一致估计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：摘要研究一般函数型回归与影响点定位，未提供宏观预测或其他所列细分的直接依据。
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…
函数型预测变量非参数回归中影响点的超一致估计
- 研究问题
- 用函数型变量预测标量结果时，若只有若干未知位置或时间点影响结果，如何定位这些影响点并估计其余模型成分？
- 方法与思路
- 作者先估计函数型预测变量的影响点，无需已知或预估其他模型成分，再讨论非参数模型和广义线性模型的后续估计。
- 材料陈述的贡献
- 摘要称，影响点估计量具有超一致收敛速度，并便利其余成分的估计；作者还通过模拟和连续情绪评分实验展示方法。
- 阅读关注点
- 应核对影响点可区分的条件、函数型过程的性质、超一致速度的具体表述，以及影响点误差如何进入后续估计。
- 阅读边界
- 仅据所给 Crossref 摘要；超一致的具体速率与正则条件、模拟数值及实验分析结果未说明，不能推断普遍预测优势。
原文摘要
Summary Predicting scalar outcomes by using functional predictors is a classical problem in functional data analysis. In many applications, however, only specific locations or time points of the functional predictors have an influence on the outcome. Such ‘points of impact’ are typically unknown and must be estimated in addition to estimating the usual model components. We show that our points-of-impact estimator enjoys a superconsistent rate of convergence and does not require knowledge or pre-estimates of the unknown model components. This remarkable result facilitates the subsequent estimation of the remaining model components as shown in the theoretical part, where we consider the case of non-parametric models and the practically relevant case of generalized linear models. The finite sample properties of our estimators are assessed by means of a simulation study. Our methodology is motivated by data from a psychological experiment in which the participants were asked to rate their emotional state continuously while watching an affective video eliciting a varying intensity of emotional reactions.