Bayesian nonparametric functional data analysis through density estimation
通过密度估计开展贝叶斯非参数函数型数据分析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：摘要聚焦一般函数型数据与贝叶斯非参数估计，未明确对应所列经济计量细分方向。
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…
通过密度估计开展贝叶斯非参数函数型数据分析
- 研究问题
- 当观测以函数形式出现时，如何同时估计多条曲线、识别曲线之间的分组，并利用不同曲线之间的信息？
- 方法与思路
- 作者采用依赖 Dirichlet 过程高斯混合的层级模型描述预测变量与结果的联合分布，再由条件分布导出函数估计。
- 材料陈述的贡献
- 摘要称方法兼顾灵活估计、聚类与跨曲线信息共享，并给出可积函数空间上的一致性结果及北大西洋观测应用。
- 阅读关注点
- 应核对跨曲线依赖的构造、条件分布如何产生函数估计、聚类的含义，以及一致性所用距离和适用条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明一致性的具体条件、计算表现或应用结果，不能推断刊本变化。
原文摘要
In many modern experimental settings, observations are obtained in the form of functions, and interest focuses on inferences on a collection of such functions. We propose a hierarchical model that allows us to simultaneously estimate multiple curves nonparametrically by using dependent Dirichlet Process mixtures of Gaussians to characterize the joint distribution of predictors and outcomes. Function estimates are then induced through the conditional distribution of the outcome given the predictors. The resulting approach allows for flexible estimation and clustering, while borrowing information across curves. We also show that the function estimates we obtain are consistent on the space of integrable functions. As an illustration, we consider an application to the analysis of Conductivity and Temperature at Depth data in the north Atlantic.