A test for separability in covariance operators of random surfaces
随机曲面协方差算子可分离性的检验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：摘要聚焦随机曲面和时空协方差算子，未明确属于给定的时间序列或其他计量细分。
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
随机曲面协方差算子可分离性的检验
- 研究问题
- 在时空或超曲面数据中，协方差可分离性常用于简化估计；如何检验这一假设，而避免复杂的特征函数投影？
- 方法与思路
- 作者构造可分离时为零、否则为正的度量，推导其估计量在原假设和备择下的渐近分布，建立渐近及自助检验。
- 材料陈述的贡献
- 摘要称方法无需既有检验使用的特征函数子空间投影和分布假设，并通过模拟比较及数据示例考察其表现。
- 阅读关注点
- 应核对可分离性度量、原假设与备择下的分布差异、自助法有效条件，以及避免分布假设究竟指哪些限制。
- 阅读边界
- 依据版本未注明的OpenAlex摘要；无需所引分布假设不等于无需正则条件，摘要也未给出模拟数值或普遍优越性。
原文摘要
The assumption of separability is a simplifying and very popular assumption in the analysis of spatiotemporal or hypersurface data structures. It is often made in situations where the covariance structure cannot be easily estimated, for example, because of a small sample size or because of computational storage problems. In this paper we propose a new and very simple test to validate this assumption. Our approach is based on a measure of separability which is zero in the case of separability and positive otherwise. We derive the asymptotic distribution of a corresponding estimate under the null hypothesis and the alternative and develop an asymptotic and a bootstrap test which are very easy to implement. In particular, our approach does neither require projections on subspaces generated by the eigenfunctions of the covariance operator nor distributional assumptions as recently used by (Ann. Statist. 45 (2017) 1431–1461) and (Biometrika 104 425–437) to construct tests for separability. We investigate the finite sample performance by means of a simulation study and also provide a comparison with the currently available methodology. Finally, the new procedure is illustrated analyzing a data example.