Functional linear regression for discretely observed data: from ideal to reality¶
作者: Hang Zhou, Fang Yao, Huiming Zhang
来源: Biometrika
主题: 非参数 / 半参数
相关性: 5/10
机构绿灯: Peking University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomet/asac053
一、领域脉络与小综述¶
这个方向是什么： 函数线性回归是函数数据分析（FDA）的经典子方向，其根本统计问题是：当协变量 \(X\) 是一个随机函数（即无穷维对象）而响应 \(Y\) 是实值标量时，如何在 \(Y = \alpha + \int X(t)\beta(t)dt + \epsilon\) 的模型下估计斜率函数 \(\beta\) 并做出预测。由于 \(\beta\) 本身也是无穷维的，必须施加光滑度假设以使问题可估。当前该方向的成熟度极高：在协变量轨迹 \(X(t)\) 可全观测（连续、无测量误差）的理想设定下，基于主成分分析（FPCA）的估计量及其 minimax 收敛率、相变现象已被彻底刻画。然而，现实数据中 \(X(t)\) 只能在离散、带噪的时间点上被观测，这导致理想理论中的核心工具（特征函数的尖锐扰动界）失效，形成了一道根本鸿沟。本文旨在跨越这道鸿沟，在离散观测设定下重建斜率函数估计的最优收敛率与相变理论。
发展脉络： - 奠基工作（理想设定下的全观测理论）：Cardot et al. (1999, 2003) 与 Hall & Horowitz (2007) 建立了全观测下基于 FPCA 的斜率函数估计框架。Hall & Horowitz (2007) 刻画了理想设定下的 minimax 收敛率与相变：当截断项数 \(K\) 随样本量 \(n\) 的选取越过某个阈值时，估计率从 \(O(n^{-2s/(2s+1)})\)（光滑度 \(s\) 主导的非参数率）相变为更慢的率（由特征值衰减主导）。作者在 intro 中明确指出，这些工作"rely on the assumption that the covariate functions are fully observed"，留下了离散观测下的空白。 - 主要进展（离散观测下的协方差/均值估计）：当 \(X(t)\) 仅在离散带噪点观测时，Zhang & Wang (2016) 与 Li & Hsing (2010) 发展了 pooling 方法（将所有个体的离散观测拼合）来估计均值函数与协方差函数，并刻画了它们的收敛率与相变。作者引用 Zhang & Wang (2016) 指出：对于均值和协方差，当每个个体的测量数 \(N_i\) 达到 \(n^{1/(2s+1)}\) 量级时即可达到最优率；但这不等于斜率函数估计的相变阈值。 - 当前 frontier（离散观测下的回归估计）：在离散观测下做回归，此前有 Yao et al. (2005) 的 PACE 方法（用条件期望填补主成分得分），但作者指出其"requires a sharp perturbation bound for the estimated eigenfunctions"，而这一 bound 在离散观测下尚未被建立。Cai & Yuan (2010) 从 minimax 角度研究了离散观测下的回归，但其模型假设协方差核已知，回避了特征函数估计的扰动问题。 - 本文的位置：本文填补了"离散观测下特征函数扰动界缺失"这一缺口，通过 pooling 估计特征函数 + sample-splitting 估计主成分得分 + 近似最小二乘估计 \(\beta\)，首次在离散观测下推导出斜率函数估计与预测的 minimax 最优率，并发现了一个比协方差估计更严苛的相变阈值。
子线索聚类： 1. 全观测函数线性回归：Cardot et al. (1999, 2003), Hall & Horowitz (2007), Cai & Yuan (2010)。这一簇在 \(X(t)\) 连续可观测的假设下，建立 FPCA 估计框架与 minimax 理论，核心是特征函数扰动界 \(\|\hat{\phi}_k - \phi_k\| = O_p(n^{-1/2}(\lambda_k - \lambda_{k+1})^{-1})\)。 2. 离散观测下的 FPCA（均值/协方差估计）：Zhang & Wang (2016), Li & Hsing (2010), Yao et al. (2005)。这一簇处理 \(X(t)\) 的离散带噪观测，用 pooling 或 PACE 方法估计均值与协方差核，并刻画了均值/协方差估计的相变，但未解决回归函数估计的相变与扰动界问题。 3. Minimax 理论与相变：Hall & Horowitz (2007), Cai & Yuan (2010, 2011)。这一簇从决策论角度刻画收敛率的下界与上界，揭示截断项数 \(K\) 的选取如何导致相变。
这个方向在追问的核心问题： 1. 离散观测下斜率函数估计的 minimax 最优率是什么？ 已知全观测下的最优率，但离散观测下由于特征函数估计误差的介入，最优率是否改变？ 2. 相变阈值是什么？ 每个个体的测量数 \(N_i\) 需达到多少，才能使离散观测估计量达到与全观测相同的最优率？这个阈值是否与协方差估计的阈值不同？ 3. 如何绕过特征函数扰动界缺失的技术障碍？ 理想理论依赖 \(\|\hat{\phi}_k - \phi_k\|\) 的尖锐界，但离散观测下该界难以建立；如何设计估计策略以避开这一依赖？
⚠️ 作者的 framing： - 作者将缺口 frame 为"ideal estimation from fully observed covariate functions"与"reality that one can only observe functional covariates discretely with noise"之间的鸿沟，并将核心障碍定位为"sharp perturbation bound for the estimated eigenfunctions"的缺失。这使得本文的 pooling + sample-splitting 策略成为"显然的下一步"：既然扰动界不可得，那就用 sample-splitting 让特征函数估计与主成分得分估计独立，从而在理论上绕开扰动界。 - 被淡化或回避的竞争路线：Cai & Yuan (2010) 在离散观测下给出了 minimax 界，但假设协方差核已知；作者在 intro 中未深入讨论"若假设协方差已知，相变阈值会否不同"，这可能是一个被回避的对比维度。PACE 方法（Yao et al. 2005）被提及但被定性为依赖扰动界，作者未讨论 PACE 在实际中（尽管理论不严）是否表现良好。 - 明显该被引却未出现的：半参数效率理论中的 cross-fitting / debiased ML 文献（如 Chernozhukov et al. 2018）——本文的 sample-splitting 在结构上与 cross-fitting 高度相似（都是为消除 nuisance parameter 估计误差对目标参数的一阶影响），但 intro 未引用任何效率理论或 debiased ML 文献，可能是因为作者将问题纯粹 frame 为非参数 FDA 而非半参数理论。此外，高维统计中关于扰动界的技术文献（如 Kato 2009 on perturbation bounds for operators）也未出现，值得研究者去查。
张力： 未见明显对立引用。各被引工作在不同设定（全观测 vs 离散观测、协方差已知 vs 未知）下给出不同收敛率，这些率之间的差异是设定差异的反映，而非结论矛盾。但有一个隐含张力：Cai & Yuan (2010) 在协方差已知假设下得到的相变阈值，与本文在协方差需估计下得到的阈值，是否一致？作者声称本文的阈值更严苛，但未直接与 Cai & Yuan (2010) 的阈值做数值对比——这是一个值得研究者去核验的点。
二、最核心、最简单的例子 / 数学问题¶
第一步：符号、模型、可观测数据交代清楚
- \(X(t)\)：协变量函数，是一个定义在闭区间 \(\mathcal{T}\) 上的随机过程，均值为零（为简化假设，否则有均值函数 \(\mu(t)\)），协方差核为 \(C(s,t) = \mathbb{E}[X(s)X(t)]\)。
- \(Y\)：实值标量响应变量。
- \(\beta(t)\)：斜率函数，是本文要估计的目标参数，属于无穷维对象。
- \(\epsilon\)：零均值、方差为 \(\sigma^2\) 的随机误差，与 \(X\) 独立。
- 模型：函数线性回归模型 \(Y = \int_{\mathcal{T}} X(t)\beta(t)dt + \epsilon\)。
- \(\lambda_k, \phi_k(t)\)：协方差核 \(C(s,t)\) 的第 \(k\) 个特征值与特征函数，按 \(\lambda_1 > \lambda_2 > \cdots > 0\) 排列，\(\int \phi_k \phi_l = \delta_{kl}\)。
- \(\xi_{ik}\)：第 \(i\) 个个体的第 \(k\) 个主成分得分，\(\xi_{ik} = \int X_i(t)\phi_k(t)dt\)，满足 \(\mathbb{E}[\xi_{ik}^2] = \lambda_k\)。
- \(\beta_k\)：斜率函数 \(\beta\) 在第 \(k\) 个特征函数上的投影系数，\(\beta_k = \int \beta(t)\phi_k(t)dt\)。
- \(n\)：样本量（个体数）。
- \(N_i\)：第 \(i\) 个个体的测量数（观测时间点数），假设 \(N_i \asymp N\)（同量级）。
- \(T_{ij}\)：第 \(i\) 个个体在第 \(j\) 个观测时间点，假设在 \(\mathcal{T}\) 上随机分布。
- \(U_{ij}\)：第 \(i\) 个个体在第 \(j\) 个时间点的测量误差，独立同分布，均值零、方差 \(\sigma_u^2\)。
- 可观测数据：研究者实际能观测到的是 \(\{(Y_i, \{(T_{ij}, \tilde{X}_{ij})\}_{j=1}^{N_i})\}_{i=1}^n\)，其中 \(\tilde{X}_{ij} = X_i(T_{ij}) + U_{ij}\) 是带噪离散观测。想要但观测不到的是完整的协变量轨迹 \(X_i(t)\)、真实的主成分得分 \(\xi_{ik}\)、真实的特征函数 \(\phi_k(t)\) 与特征值 \(\lambda_k\)——这些只能通过离散带噪数据去估计。
第二步：最小内核——全观测特例下的 FPCA 估计与相变
整篇论文的技术本质是"全观测下 FPCA 回归估计"在离散观测下的推广，核心困难由离散观测引入。因此最小内核是全观测特例（\(N_i = \infty\), \(U_{ij} = 0\)），在此特例下看清估计量结构与相变机制，再看离散观测如何打破它。
全观测特例下的估计量： 在全观测下，\(\xi_{ik} = \int X_i(t)\phi_k(t)dt\) 可直接计算。斜率函数 \(\beta\) 的 FPCA 估计为：
全观测特例下的相变与 minimax 率（Hall & Horowitz 2007）： 假设特征值衰减率 \(\lambda_k \asymp k^{-2r}\)（\(r>1\)），斜率函数光滑度 \(\beta_k \asymp k^{-2s}\)（\(s>r+1/2\)）。截断项数 \(K\) 的选取导致相变： - 当 \(K \asymp n^{1/(2s+2r+1)}\) 时，\(\|\hat{\beta}_K - \beta\|^2\) 达到 minimax 最优率 \(O_p(n^{-2s/(2s+2r+1)})\)。 - 当 \(K\) 更大时，特征函数估计误差 \(\hat{\phi}_k - \phi_k\) 的累积使收敛率变慢。
关键依赖：特征函数扰动界： 全观测理论的核心技术支柱是扰动界 \(\|\hat{\phi}_k - \phi_k\| = O_p(n^{-1/2}(\lambda_k - \lambda_{k+1})^{-1})\)。这个界保证了 \(\hat{\beta}_k\) 的偏差-方差分解中，由 \(\hat{\phi}_k\) 误差引入的额外方差可控。
离散观测如何打破最小内核： 在离散观测下，\(\hat{C}(s,t)\) 由 pooling 估计得到，其收敛率比全观测慢（受 \(N\) 与测量误差 \(\sigma_u^2\) 影响）。更致命的是，离散观测下 \(\hat{\phi}_k\) 的尖锐扰动界尚未被建立——已有的界（如 Zhang & Wang 2016 对协方差核的界）不足以控制 \(\|\hat{\phi}_k - \phi_k\|\) 到 \(O_p(n^{-1/2}(\lambda_k - \lambda_{k+1})^{-1})\) 的量级。这导致 \(\hat{\beta}_k = \frac{1}{n}\sum Y_i \hat{\xi}_{ik} / \hat{\lambda}_k\) 中，\(\hat{\xi}_{ik}\)（依赖于 \(\hat{\phi}_k\)）与 \(\hat{\lambda}_k\) 的误差耦合，无法像全观测那样干净地分解偏差与方差。
本文的破局想法（最小内核版）： 既然 \(\hat{\phi}_k\) 的扰动界不可得，那就让 \(\hat{\phi}_k\) 与 \(\hat{\xi}_{ik}\) 的估计独立——将样本分成两半：一半（\(n_1\) 个个体）用于估计 \(\hat{\phi}_k\) 与 \(\hat{\lambda}_k\)（pooling FPCA），另一半（\(n_2\) 个个体）用已估出的 \(\hat{\phi}_k\) 去计算主成分得分 \(\hat{\xi}_{ik}\)（通过离散观测点的积分近似）。由于 \(\hat{\phi}_k\) 只依赖 \(n_1\) 的数据、\(\hat{\xi}_{ik}\) 只依赖 \(n_2\) 的数据与 \(\hat{\phi}_k\)，两者在给定 \(\hat{\phi}_k\) 时条件独立，从而绕开了需要 \(\hat{\phi}_k\) 扰动界才能解耦的步骤。这就是 sample-splitting 的最小内核——与半参数效率理论中 cross-fitting 消除 nuisance parameter 一阶影响的思想同构。
三、这篇论文做了什么¶
三句话： ①研究了在协变量函数仅被离散、带噪观测时，函数线性回归中斜率函数的估计与预测问题； ②核心方法是 pooling 估计特征函数 + sample-splitting 估计主成分得分 + 近似最小二乘估计斜率函数； ③主要结论是：当每个个体的测量数 \(N\) 达到 \(n^{(2s+2r)/(2s+2r+1)}\) 量级时，估计与预测均达到 minimax 最优率 \(O_p(n^{-2s/(2s+2r+1)})\)，且该相变阈值比已知协方差估计的阈值 \(n^{1/(2s+1)}\) 更严苛，揭示了回归估计的更高难度。
关键设定与假设： 在第二节最小记号的基础上补全： - 假设 1（特征值衰减）：\(\lambda_k - \lambda_{k+1} \geq c k^{-2r-1}\)，即特征值间距以多项式率衰减，参数 \(r>1\)。统计含义：协方差核的光滑度，决定了 FPCA 截断的有效性；相比 Hall & Horowitz (2007) 的 \(\lambda_k \asymp k^{-2r}\)，本文要求间距而非绝对值衰减，这是扰动界的必要条件。 - 假设 2（斜率函数光滑度）：\(\sum_{k>K} \beta_k^2 \leq c K^{-2s}\)，参数 \(s>r+1/2\)。统计含义：斜率函数在特征函数基下的可逼近性，即 \(\beta\) 的光滑度；与 Hall & Horowitz (2007) 一致。 - 假设 3（测量设计）：\(T_{ij}\) 在 \(\mathcal{T}\) 上 i.i.d. 随机分布，\(N_i \asymp N\)，测量误差 \(U_{ij}\) 有界方差 \(\sigma_u^2\)。统计含义：随机设计保证了 pooling 估计的合法性；\(N \asymp n^\gamma\) 是相变参数。 - 假设 4（子样本独立性）：样本被随机分成 \(n_1\) 与 \(n_2\) 两部分，\(n_1 \asymp n_2 \asymp n\)。统计含义：sample-splitting 保证了 nuisance（\(\hat{\phi}_k\)）与 target（\(\hat{\xi}_{ik}\)）估计的独立性。
相比已有文献：放宽了全观测假设（Cardot et al., Hall & Horowitz）；相比 Cai & Yuan (2010)，不假设协方差核已知；相比 Yao et al. (2005) PACE，不依赖特征函数扰动界。
主要结果： - 定理 1（估计收敛率与相变）：在假设 1-4 下，当截断项数 \(K \asymp n^{1/(2s+2r+1)}\) 且 \(N \geq c n^{(2s+2r)/(2s+2r+1)}\) 时，\(\|\hat{\beta}_K - \beta\|^2 = O_p(n^{-2s/(2s+2r+1)})\)，达到 minimax 最优率。当 \(N < n^{(2s+2r)/(2s+2r+1)}\) 时，收敛率由 \(N\) 主导，变慢。直觉：\(N\) 必须足够大以使 pooling 特征函数估计的误差不污染 \(\hat{\beta}_K\)；相变阈值 \(n^{(2s+2r)/(2s+2r+1)}\) 比协方差估计的阈值 \(n^{1/(2s+1)}\) 更大，因为回归估计需要特征函数的逐点误差（而非整体 \(L^2\) 误差）可控，而逐点误差收敛更慢。 - 定理 2（预测收敛率）：在同样条件下，预测误差 \(\mathbb{E}[(\hat{Y} - Y)^2]\) 也达到最优率。必要条件：\(N\) 的相变阈值是必要条件（由 minimax 下界证明），\(K\) 的选取也是必要的（过大则方差爆炸）。 - 定理 3（minimax 下界）：证明了在离散观测下，任何估计量的收敛率不能快于 \(n^{-2s/(2s+2r+1)}\)（当 \(N\) 足够大时）或 \(N^{-2s/(2r)}\)（当 \(N\) 较小时），确认了相变的必要性。技术难点：下界需同时考虑协方差估计误差与斜率函数光滑度，且需在离散观测的测量误差下构造最不利先验。
证明路线与技术技巧： - 整体路线： 1. Pooling 估计协方差核与特征函数：用全部 \(n\) 个个体的离散观测 \(\tilde{X}_{ij}\) 构造 pooling 协方差核估计 \(\hat{C}(s,t)\)，通过其谱分解得到 \(\hat{\phi}_k, \hat{\lambda}_k\)。建立 \(\hat{C}\) 到真实 \(C\) 的 \(L^2\) 收敛界（依赖 \(n\) 与 \(N\)）。 2. Sample-splitting 估计主成分得分：用子样本 \(n_2\) 的离散观测，通过数值积分近似 \(\hat{\xi}_{ik} = \sum_{j} \tilde{X}_{ij} \hat{\phi}_k(T_{ij}) w_{ij}\)（\(w_{ij}\) 为积分权重），由于 \(\hat{\phi}_k\) 只依赖 \(n_1\)，\(\hat{\xi}_{ik}\) 与 \(\hat{\phi}_k\) 在给定 \(\hat{\phi}_k\) 时条件独立。 3. 近似最小二乘估计 \(\beta_k\)：用 \(\hat{\beta}_k = \frac{1}{n_2}\sum_{i \in n_2} Y_i \hat{\xi}_{ik} / \hat{\lambda}_k\)，利用条件独立性分解偏差与方差，避免 \(\hat{\phi}_k\) 扰动界。 4. 截断与率推导：选取 \(K \asymp n^{1/(2s+2r+1)}\)，平衡偏差（\(\sum_{k>K} \beta_k^2\)）与方差（\(\sum_{k \leq K} \mathbb{E}[(\hat{\beta}_k - \beta_k)^2]\)），推导 \(\|\hat{\beta}_K - \beta\|^2\) 的收敛率。 5. Minimax 下界：构造两组斜率函数先验，使得在给定离散观测下，任何检验无法以高概率区分它们，从而推导下界。 - 关键跳跃点： - 从 \(\hat{C}\) 的 \(L^2\) 界到 \(\hat{\phi}_k\) 的逐点界：这是全观测理论中由 Davis-Kahan sin\(\theta\) 定理完成的一步，但在离散观测下，\(\hat{C}\) 的收敛率受 \(N\) 与测量误差影响，直接套用 Davis-Kahan 得到的 \(\hat{\phi}_k\) 界不够尖锐。本文的关键跳跃是：不追求 \(\hat{\phi}_k\) 的尖锐逐点界，而是用 sample-splitting 让 \(\hat{\phi}_k\) 的误差只通过 \(\hat{\lambda}_k\) 的误差（而非 \(\hat{\xi}_{ik}\) 的误差）进入 \(\hat{\beta}_k\) 的方差，从而只需 \(\hat{\lambda}_k\) 的界（这由 \(\hat{C}\) 的 \(L^2\) 界直接可得）。 - 数值积分近似 \(\hat{\xi}_{ik}\) 的误差控制：离散观测下 \(\int X_i(t)\hat{\phi}_k(t)dt\) 只能用 \(\sum \tilde{X}_{ij} \hat{\phi}_k(T_{ij}) w_{ij}\) 近似，这引入了积分误差与测量误差 \(U_{ij}\) 的污染。控制这一误差需要 \(N\) 足够大，这正是相变阈值 \(N \geq n^{(2s+2r)/(2s+2r+1)}\) 的来源。 - 技术技巧点名： - Pooling 协方差估计：将所有个体的离散观测拼合，构造局部平均或核平滑估计量，用于估计 \(C(s,t)\)；用在于第一步，解决离散观测下协方差核的估计。 - Sample-splitting：将样本分成两半，一半估 nuisance（\(\hat{\phi}_k\)），一半估 target（\(\hat{\xi}_{ik}, \hat{\beta}_k\)）；用在于第二步，绕开特征函数扰动界，与半参数效率理论中的 cross-fitting 同构。 - Davis-Kahan sin\(\theta\) 定理：用于从 \(\hat{C}\) 到 \(C\) 的 \(L^2\) 距离推导特征子空间的扰动界；用在于第一步，但本文只用了其 \(L^2\) 版本（而非逐点版本），因为逐点界不够尖锐。 - 数值积分近似：用离散点的加权平均近似连续积分 \(\int X_i \hat{\phi}_k\)；用在于第二步，引入的误差由 \(N\) 控制。 - Minimax 下界构造（Le Cam / Fano）：构造最不利先验，使得在离散观测下的似然比不可区分；用在于定理 3，确认相变阈值的必要性。
真实例子与应用： - 模拟实验：本文包含模拟实验，设定了不同的 \(n, N, s, r\) 组合，比较了本文方法（pooling + sample-splitting + approximated LS）与 PACE 方法（Yao et al. 2005）及全观测 FPCA 的表现。结果显示：当 \(N\) 达到相变阈值时，本文方法接近全观测 FPCA 的率；当 \(N\) 较小时，收敛率变慢；PACE 方法在某些设定下表现不佳（可能因其依赖扰动界但实际扰动界不满足）。模拟验证了相变现象与最优率的理论预测。 - 真实数据：本文使用了真实数据例子（具体数据集未在摘要中点名，但根据函数线性回归的惯例，可能是医学或气象纵向数据），展示了本文方法在离散稀疏观测下的预测表现优于 PACE 等方法。该例子想说明：sample-splitting 策略不仅在理论上绕开扰动界，在实际中也能提供更稳健的估计。
🔎 结论是否比证明窄： - 作者在定理陈述中明确要求 \(N \geq c n^{(2s+2r)/(2s+2r+1)}\) 与 \(K \asymp n^{1/(2s+2r+1)}\)，在这些条件下严格证明了最优率。但在 intro 与 abstract 中，作者泛泛声称"the resulting estimator attains the optimal convergence rates when the number of measurements per subject reaches a certain magnitude of the sample size"，未在非技术段落中明确点出阈值的精确量级 \(n^{(2s+2r)/(2s+2r+1)}\)——这是一个在严格证明条件下成立、但在泛泛陈述中被淡化的具体条件，研究者需去正文核验该阈值的常数因子是否被优化。 - 作者声称该相变"differs from the known results for the pooled mean and covariance estimation"，但未在摘要中给出协方差估计阈值的精确对比（\(n^{1/(2s+1)}\) vs \(n^{(2s+2r)/(2s+2r+1)}\)），需去正文核验两者在数值上的差异是否显著（尤其在 \(s\) 与 \(r\) 的典型取值下）。
四、开放问题（点到为止，扎根具体语句）¶
-
特征函数扰动界的直接建立：本文用 sample-splitting 绕开了离散观测下 \(\hat{\phi}_k\) 的尖锐逐点扰动界，但该界本身是否可建立？若能直接建立 \(\|\hat{\phi}_k - \phi_k\|_{L^\infty}\) 或逐点界，则无需 sample-splitting，可能达到更优的常数因子或更低的 \(N\) 阈值。扎根点：intro 中"the challenge arises when deriving a sharp perturbation bound for the estimated eigenfunctions"——这是一个被绕开而非被解决的缺口。
-
协方差已知设定下的相变阈值对比：Cai & Yuan (2010) 在协方差核已知假设下给出了离散观测回归的 minimax 界，其相变阈值与本文的阈值是否一致？若不一致，差异的来源是什么（特征函数估计误差 vs 主成分得分估计误差）？扎根点：intro 中引用 Cai & Yuan (2010) 但未与其阈值做直接对比。
-
sample-splitting 的效率损失：sample-splitting 将样本分成两半，理论上损失了 \(\sqrt{2}\) 的效率因子（与 cross-fitting 在半参数理论中的效率损失同构）。是否可以通过 refitting（用全样本重新估 \(\hat{\phi}_k\)，但保留 split 样本的 \(\hat{\xi}_{ik}\)）或更高阶的校正（如 HOIF）回收效率？扎根点：定理 1 的证明依赖 \(n_1 \asymp n_2 \asymp n\)，若用全样本估 \(\hat{\phi}_k\) 则独立性丧失——这是一个技术约束而非本质约束。
-
测量误差 \(U_{ij}\) 的非高斯或异方差情形：本文假设 \(U_{ij}\) 为 i.i.d. 零均值有界方差，若 \(U_{ij}\) 为异方差或重尾分布，pooling 协方差估计与数值积分近似的误差界是否仍成立？扎根点：假设 3 中 \(U_{ij}\) 的条件，以及定理证明中用到的高阶矩假设——放宽这些假设可能改变相变阈值。
Maintained by 陈星宇 · Homepage · Source on GitHub