[论文解读] Simultaneous Confidence Band for Stationary Covariance Function of Dense Functional Data

Jiangyan Wang, Guanqun Cao+2 more|arXiv (Cornell University)|Mar 13, 2019

Statistical Methods and Inference参考文献 23被引用 6

一句话总结

本文提出了一种基于样条的两阶段估计方法，用于密集函数数据的平稳协方差函数，实现了Oracle效率，并能够构建渐近正确的同时置信带（SCBs）。该方法确保了准确的覆盖概率，在模拟和真实数据应用中（包括饼干面团NIR光谱数据）均优于现有估计器。

ABSTRACT

Inference via simultaneous confidence band is studied for stationary covariance function of dense functional data. A two-stage estimation procedure is proposed based on spline approximation, the first stage involving estimation of all the individual trajectories and the second stage involving estimation of the covariance function through smoothing the empirical covariance function. The proposed covariance estimator is smooth and as efficient as the oracle estimator when all individual trajectories are known. An asymptotic simultaneous confidence band (SCB) is developed for the true covariance function, and the coverage probabilities are shown to be asymptotically correct. Simulation experiments are conducted on the numerical performance of the proposed estimator and SCB. The proposed method is also illustrated by two real data examples.

研究动机与目标

• 开发一种针对密集函数数据平稳协方差函数的可靠推断方法。
• 为真实协方差函数构建具有渐近正确覆盖概率的同时置信带（SCB）。
• 提出一种两阶段估计程序，当个体轨迹已知时可实现Oracle效率。
• 通过大量模拟和真实数据分析，评估所提出估计器和SCB的性能。

提出的方法

• 采用两阶段估计程序：首先利用样条平滑估计个体轨迹；其次对经验协方差函数进行平滑，以估计真实协方差函数。
• 所提出的协方差估计器基于惩罚样条逼近，确保了光滑性和效率。
• 通过渐近理论推导真实协方差函数的同时置信带（SCB），并证明其覆盖概率为渐近正确。
• 该方法假设在区间[0,1]上以规则网格观测到独立同分布的函数轨迹，测量误差通过方差函数建模。
• 理论依据基于协方差算子的Karhunen-Loève展开和特征函数展开。
• SCB基于平滑协方差估计器的渐近分布构建，同时考虑了整个定义域上的估计变异性。

实验结果

研究问题

• RQ1 能否为密集函数数据的平稳协方差函数构造一个平滑且高效的估计器？
• RQ2 当个体轨迹已知时，所提出的基于两阶段样条的方法是否能实现Oracle效率？
• RQ3 能否为真实协方差函数构建一个渐近有效的同时置信带（SCB），并实现正确的覆盖概率？
• RQ4 与现有估计器相比，该方法在均方误差和覆盖精度方面表现如何？
• RQ5 该方法在真实函数数据（如NIR光谱曲线）上的实际表现如何？

主要发现

• 所提出的估计器实现了渐近Oracle效率，即其性能与已知个体轨迹的估计器相当。
• 95%同时置信带（SCB）的覆盖概率为渐近正确，随着样本量增加，经验覆盖率趋近于名义水平。
• 在模拟中，所提出的估计器（$\widehat{G}^{\mathrm{PROP}}$）在所有样本量下均表现出比薄板样条估计器（$\widehat{G}^{\mathrm{TPS}}$）更低的平均平方误差（AMSE），尤其在样本量较大时更为显著。
• 当$N=200$时，$\widehat{G}^{\mathrm{PROP}}$在模型M1下的AMSE约为0.018，且随样本量增加而减小。
• 在模型M1下，$N=200$时基于$\widehat{G}^{\mathrm{PROP}}$的95% SCB覆盖率为0.940，接近名义水平0.95。
• 在饼干面团样品数据分析中，所提出方法生成了平滑的协方差估计器，并构建了95% SCB，有效捕捉了不同波长下的不确定性，展示了其实际应用价值。