Test of Weak Separability for Spatially Stationary Functional Field
空间平稳函数场的弱可分性检验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：摘要聚焦空间函数场的协方差结构检验，出现时空数据不足以认定其属于宏观时间序列方向。
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…
空间平稳函数场的弱可分性检验
- 研究问题
- 空间相关函数型数据常分解为时间成分与空间相关系数，但复杂时空过程未必满足该结构；如何在没有重复场观测时检验弱可分性？
- 方法与思路
- 作者引入弱可分性概念，通过滞后协方差估计构造检验，并推导可适应分解秩随样本增长情形的统计量渐近分布。
- 材料陈述的贡献
- 摘要称为非重复观测的空间平稳函数场提供正式检验及便于计算的实现方式，并以模拟、中国细颗粒物和森林数据展示用途。
- 阅读关注点
- 应核对弱可分性与所述分解结构的准确关系、空间平稳和采样要求，以及增长秩、滞后选择与检验校准的处理方式。
- 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；摘要未给出弱可分性的正式定义和渐近条件，应用结果也没有具体数值。
原文摘要
For spatially dependent functional data, a generalized Karhunen-Loève expansion is commonly used to decompose data into an additive form of temporal components and spatially correlated coefficients. This structure provides a convenient model to investigate the space-time interactions, but may not hold for complex spatio-temporal processes. In this work, we introduce the concept of weak separability, and propose a formal test to examine its validity for non-replicated spatially stationary functional field. The asymptotic distribution of the test statistic that adapts to potentially diverging ranks is derived by constructing lag covariance estimation, which is easy to compute for practical implementation. We demonstrate the efficacy of the proposed test via simulations and illustrate its usefulness in two real examples: China PM 2.5 data and Harvard Forest data. Supplementary materials for this article are available online.