Mean and Covariance Estimation for Functional Snippets
函数片段的均值与协方差估计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：摘要讨论函数型数据与测量误差的一般估计方法，未提供所列领域细分的直接依据。
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…
关注这篇论文的作者
函数片段的均值与协方差估计
- 研究问题
- 当每个个体仅在短小且可能不规则的区间内被观测时，如何估计均值与协方差，尤其处理远离对角线的信息缺失？
- 方法与思路
- 作者将协方差拆为方差与相关函数：前者采用非参数估计，后者采用参数模型，并另行估计测量误差方差。
- 材料陈述的贡献
- 摘要称理论分析与模拟支持这种混合策略，并提出测量误差方差的新估计量及其渐近性质，用于含噪数据的方差估计。
- 阅读关注点
- 应核对相关函数参数化如何支撑未观测区域的估计、参数维数增长条件，以及测量误差方差估计所需的观测设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读；摘要未说明可识别性条件、收敛速度或模型误设影响，不能推断刊本变化。
原文摘要
We consider estimation of mean and covariance functions of functional snippets, which are short segments of functions possibly observed irregularly on an individual specific subinterval that is much shorter than the entire study interval. Estimation of the covariance function for functional snippets is challenging since information for the far off-diagonal regions of the covariance structure is completely missing. We address this difficulty by decomposing the covariance function into a variance function component and a correlation function component. The variance function can be effectively estimated nonparametrically, while the correlation part is modeled parametrically, possibly with an increasing number of parameters, to handle the missing information in the far off-diagonal regions. Both theoretical analysis and numerical simulations suggest that this hybrid strategy is effective. In addition, we propose a new estimator for the variance of measurement errors and analyze its asymptotic properties. This estimator is required for the estimation of the variance function from noisy measurements.