Estimation of Functional Principal Components from Sparse Functional Data
稀疏函数数据中函数主成分的估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：该文属于函数型数据分析与统计方法研究，所给领域细分均为微观计量、宏观时间序列与金融计量方向，无直接对应项，故留空。
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
稀疏函数数据中函数主成分的估计
- 研究问题
- 如何在测量稀疏、时点不规则且含测量误差的函数数据中提取函数主成分，并同时选择基函数个数与协方差结构秩。
- 方法与思路
- 作者提出将基函数展开与最大似然估计相结合的方法，在优化过程中用修正 Gram-Schmidt 正交化保持特征函数正交性，并提出信息准则选择基函数个数与协方差秩，主成分得分通过条件期望估计。
- 材料陈述的贡献
- 摘要称该方法能在稀疏观测下重建整个定义域上的潜在函数轨迹，模拟研究显示其表现优于现有方法，并应用于多中心艾滋病队列研究的 CD4 细胞计数与爱尔兰奶牛体细胞计数数据。
- 阅读关注点
- 应核对似然与基展开的具体设定、正交化如何嵌入优化、信息准则的形式与一致性依据、条件期望得分估计的假设，以及模拟设计与比较基准是否公平。
- 阅读边界
- 仅凭摘要无法判断识别条件、估计的渐近性质、模拟的规模与真实数据结论的稳健性；摘要未说明软件包与补充材料的可复现细节。
原文摘要
Sparse functional data arise when measurements are observed infrequently and at irregular time points for each subject, often in the presence of measurement error. These characteristics introduce additional challenges for functional principal component analysis. In this paper, we propose a new approach for extracting functional principal components from such data by combining basis expansion with maximum likelihood estimation. Orthogonality of the estimated eigenfunctions is preserved throughout the optimization using modified Gram-Schmidt orthonormalization. An information criterion is proposed to select both the optimal number of basis functions and the rank of the covariance structure. Principal component scores are subsequently estimated via conditional expectation, enabling accurate reconstruction of the underlying functional trajectories across the full domain despite sparse observations. Simulation studies demonstrate the effectiveness of the proposed method and show that it performs favorably compared with existing approaches. Its practical utility is illustrated through applications to CD4 cell count data from the Multicenter AIDS Cohort Study and somatic cell count data from Irish research dairy cattle. Supplementary materials, including technical details, additional simulation results, and the R package mGSFPCA, are available online.