Subscribe to DeepL Pro to edit this document. Visit for more information.

Daftar isi tersedia di

Huruf Statistik dan Probabilitas
beranda jurnal: www.elsevier.com/locate/stapro

Pada tingkat konvergensi untuk operator autokorelasi

dalam autoregresi fungsional
∗
Alessia Caponera, Victor M. Panaretos
Institut de Mathématiques, Ecole Polytechnique Fédérale de Lausanne, Swiss

a r t ikl einfo abst r a ct

Riwayat artikel:
Kami mempertimbangkan masalah estimasi operator autokorelasi dari proses autoregresif
Diterima 18 Februari 2022
Hilbertian. Dengan menggunakan pendekatan Tikhonov, kami menetapkan hasil umum yang
Diterima dalam bentuk revisi 25
Mei 2022 menghasilkan tingkat konvergensi dari estimasi operator autokorelasi sebagai fungsi dari
Diterima 6 Juni 2022 tingkat konvergensi estimasi operator autokovarians lag nol dan lag satu. Hasilnya bersifat
Tersedia secara online pada 17 Juni umum karena dapat mengakomodasi semua estimator yang konsisten dari autokovarians
2022 yang tertinggal. Oleh karena itu, metode ini dapat diterapkan pada proses di bawah mode
observasi apapun: lengkap, diskrit, jarang, dan/atau dengan kesalahan pengukuran. Fitur
Kata kunci: yang menarik adalah bahwa hasilnya tidak memerlukan asumsi peluruhan spektral yang
Deret waktu fungsional rumit pada autokovarians, melainkan bertumpu pada kondisi sumber alami. Hasilnya
Kondisi sumber diilustrasikan dengan penerapan pada kasus-kasus khusus yang penting.
Regularisasi Tikhonov © 2022 Penulis(-penulis). Diterbitkan oleh Elsevier B.V. Ini adalah artikel akses terbuka di
bawah lisensi CC BY
(http://creativecommons.org/licenses/by/4.0/).

1. Pendahuluan

Misalkan H adalah sebuah ruang Hilbert yang nyata dan dapat dipisahkan dengan norma ∥ - ∥H dan hasil kali dalam ⟨ - , -⟩H .
Misalkan L(H) adalah himpunan dari semua operator-operator linear terbatas dari H ke H, dan ∥ - ∥∞ adalah norma operator yang
sesuai.
Dalam makalah ini, kami mempertimbangkan sebuah koleksi elemen acak bernilai H dengan mean nol X = {Xt, t ∈ Z},
yang merupakan solusi stasioner yang unik dari persamaan autoregresif

Xt = ρ(Xt -1 ) + εt ,
∥ρj
dengan ρ ∈ L(H) sedemikian j=0 ∥ ∞ < ∞, dan ε = {εt , t ∈ Z} merupakan white noise yang kuat pada H-lihat Bosq (2000, Definisi
∑∞ 2
sehingga

3.1). Kumpulan X disebut proses autoregresif Hilbertian orde satu, ditulis ARH(1). Proses ini memainkan peran fundamental
dalam bidang deret waktu fungsional. Tinjauan ekstensif tentang ARH(1) dapat ditemukan di Bosq (2000); sementara untuk diskusi
umum tentang topik utama dalam analisis data fungsional, lihat survei Cuevas (2014), Wang dkk. (2016), Goia dan Vieu
(2016), Aneiros dkk. (2019, 2022).
Dalam pengaturan ini, peran kunci dimainkan oleh operator kovarians dan kovarians silang (juga dikenal sebagai
autokovarians lag 0 dan lag 1), yaitu,

R0 = E[X0 ⊗ X0 ], R1 = E[X1 ⊗ X0 ],
dimana hasil kali tensor u ⊗ v, dengan u, v ∈ H, didefinisikan sebagai pemetaan yang membawa elemen apapun f ∈ H ke u⟨f
, v⟩ ∈ H. Perhatikan bahwa R0 adalah operator kelas-trace yang definit, self-adjoint, dan nonnegatif dan adjoint dari R1
∗
dib erikan oleh = R-1 = E[X0 ⊗ X1]. Kedua operator (R0 , R1 ) terkait erat dengan operator ρ melalui persamaan
R1
ρ∗
R1 = ρR0 , R-1 = R0 , (1)
 ∗ Penulis korespondensi.
Alamat email: victor.panaretos@epfl.ch (V.M. Panaretos).

https://doi.org/10.1016/j.spl.2022.109575
0167-7152/© 2022 Penulis(-penulis). Diterbitkan oleh Elsevier B.V. Ini adalah artikel akses terbuka di bawah lisensi CC BY (http://creativecommons.org/
licenses/by/4.0/).
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)
ρ∗
yang menjelaskan mengapa operator ρ (atau bahkan adjoint-nya ) dapat diinterpretasikan sebagai operator autokorelasi.
Untuk memastikan identifikasi, kita akan mengasumsikan bahwa R0 adalah po sitive d efinite, yaitu, Ker(R0 ) = {0}-lihat
misalnya Mas (2007). Jika tidak, tanpa kehilangan keumuman, seseorang dapat mengambil H = Im(R0 ).
Memperkirakan ρ merupakan hal yang mendasar dalam inferensi dan prediksi, tetapi merupakan masalah yang tidak
mudah. Sebagai contoh, pendekatan likelihood tidak dapat diterapkan dalam kerangka kerja yang benar-benar berdimensi tak
terbatas. Dan, meskipun R0 dan R1 dapat diterima oleh sejumlah besar metode estimasi, memasukkan estimator mereka ke dalam
(1) dan menyelesaikan ρ harus dilakukan dengan hati-hati: operasi ini membutuhkan definisi operator pseudo-inverse,
yang merupakan operator tak terbatas, dan yang domainnya merupakan subset ketat dari H - sebuah masalah inversi yang tidak jelas
(ill- posed).
Karena alasan ini, setiap prosedur penaksiran harus melalui gagasan untuk meregulerkan taksiran R0 untuk kemudian
mendapatkan taksiran kebalikan semu. Penaksir klasik berdasarkan pada hamparan berhingga {X1 , . . . Xn } dari elemen-
elemen mean-nol yang teramati secara penuh diperkenalkan oleh Bosq (1991) dan merupakan penaksir proyeksi. Seperti
namanya, estimator ini dibangun dengan terlebih dahulu memproyeksikan {X1 , . . . Xn } ke dalam rentang Hkn dari vektor
eigen kn pertama dari operator kovarians empiris
∑n
R= 1 ⊗ Xt .
ˆ 0 n Xt
i=1

Hal ini menghasilkan proses berdimensi hingga pada Hkn , dan memungkinkan Persamaan (1) dibatasi pada persamaan yang baik
pada Hkn . Estimator yang dihasilkan dapat diinterpretasikan pada semua H sebagai operator pangkat berhingga dengan jangkauan Hkn
. Membiarkan kn menyimpang pada tingkat yang sesuai (terkait dengan peluruhan spektral R0 ) menghasilkan konsistensi yang
hampir pasti (Bosq, 2000), atau normalitas asimtotik (Mas, 1999). Guillas (2001) memperoleh tingkat konvergensi dalam arti L2
untuk estimator yang sedikit dimodifikasi, baik ketika vektor eigen R0 diketahui maupun ketika vektor eigen tersebut
diestimasi. Sifat asimtotik untuk prediksi diselidiki dalam Mas (2007), Antoniadis dan Sapatinas (2003) dan aplikasi diberikan
dalam Carré dan Mas (2019). Hasil estimasi dan prediksi yang konsisten untuk proses autoregresif bernilai Banach diperoleh
dalam Ruiz-Medina dan Álvarez-Liébana (2019).
Tujuan kami dalam makalah ini adalah untuk mempelajari tingkat konvergensi secara umum dalam arti bahwa kami tidak
membatasi argumen kami pada penaksir Rˆ0 dan Rˆ1 yang spesifik dari R0 dan R1 , masing-masing. Hal ini membuat hasilnya
menjadi sangat umum dan dapat diterapkan pada berbagai situasi. Contoh-contoh penerapannya diberikan baik untuk data
fungsional dengan sampel yang terus menerus/berdistribusi normal maupun data fungsional dengan sampel yang
jarang/berdistribusi tidak normal. Faktanya, ini adalah tarif pertama yang pernah ditetapkan dalam rezim yang terakhir. Untuk
melakukannya, kami meregulerkan Persamaan (1) dengan menggunakan pendekatan Tikhonov, alih-alih pendekatan pemotongan
spektral (Bagian 2). Secara khusus, kami juga menghindari kondisi peluruhan spektral yang janggal, dan sebagai gantinya
fokus pada kondisi sumber yang lebih alami.
Notasi tambahan. Kita menotasikan invers umum Moore-Penrose dari sebuah operator T ∈ L(H) dengan T † (lihat Hsing dan
Eubank (2015, Definisi 3.5.7)). Untuk 1 ≤ p < ∞, kita membiarkan ∥ - ∥p menyatakan norma p-Schatten, yang
didefinisikan sebagai
⎛ ⎞ 1/p

∥T ∥p = ⎝ ∞∑
⟨ ej , (T ∗T ej ⟩H
⎠ T kompak ∈ L(H),
p/2
)

j=1

untuk setiap sistem ortonormal lengkap (CONS) {ej , j ∈ N}. Jelas, ∥ - ∥2 , ∥ - ∥1 adalah norma-norma Hilbert-Schmidt dan norma-
norma jejak. Selain itu, kita membiarkan Sp = Sp (H) menjadi himpunan semua operator kompak T ∈ L(H) sehingga ∥T ∥p < ∞
(definisi ini juga dapat diperluas menjadi 0 < p < 1). Ingat bahwa S2 yang memiliki hasil kali dalam Hilbert-Schmidt adalah sebuah
ruang Hilbert.

2. Hasil

Tanpa mengurangi keumuman, kita akan fokus pada persamaan R-1 = R0 ρ∗ . Kita asumsikan bahwa ρ ∈ S2 dan R0 definit
positif. Kita juga mengasumsikan bahwa kita memiliki penaksir yang konsisten, Rˆ1 dan Rˆ0, masing-masing dari R1 dan R0. Kedua
penaksir ini dapat dipilih secara sembarang, selama Rˆ1 berada di S2 dan Rˆ0 berada di Sp , untuk beberapa 1 ≤ p ≤ ∞. Kita ambil Rˆ-1

= Rˆ ∗ . 1

Secara khusus, kita asumsikan Rˆ0 sebagai self-adjoint, tetapi

tidak harus nonnegatif pasti.
Sekarang, pertimbangkan himpunan semua operator linear dan terbatas dari S2 ke S2 , katakanlah L(S2 ). Komposisi operator
J : S2 → J Jˆ
S2 , Φ→ R0 Φ adalah linear dan terbatas, sehingga termasuk dalam L(S2 ). Hal yang sama berlaku untuk Jˆ S2 → S2 , Φ→ Rˆ0
:
Φ.

2
A. Caponera dan V.M. ρ∗ Statistik dan Probabilitas Surat-surat 189 (2022)
Kita mendefinisikan estimator sebagai solusi dari masalah regularisasi berikut ini
min ∥Rˆ-1 - Rˆ0
Φ +2 ∥2 . (2)
∥2
Φ ∈S2 α∥Φ

3
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)
Menurut Hsing dan Eubank (2015, Teorema 6.2.1) atau Hanke (2017, Proposisi 7.3), untuk setiap α > 0, terdapat peminimalisasi
unik Φˆ α ∈ S2 yang dapat diekspresikan dalam bentuk operator Jˆ . Akan tetapi, kita dapat memberikan solusi yang lebih eksplisit
dari
(2) yang secara langsung melibatkan penggunaan Rˆ0 , yaitu, Φˆ -α 1 =α 0 Kˆ 0 ˆ0 α Rˆ , dengan Kˆ = (Rˆ R + αI )-1 Rˆ , dan I
adalah operator identitas pada H. Hal ini dapat disimpulkan dengan melihat bahwa, jika diberikan sebarang CONS {ej , j ∈ N} pada
H dan Φ
∈ S2 ,
∑ ( ∞
)
∥Rˆ-1 - Rˆ0 +2 2α∥Φ 2=2 ∥(Rˆ-1 - Rˆ0 Φ )ej + α∥Φ ej ∥H
∥ ∥
Φ j=1 ∥H

4
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)

dan suku ke-j dalam penjumlahan tersebut diminimumkan pada Φˆ α ej , sekali lagi dengan aplikasi dari Hsing dan Eubank
(2015, Teorema 6.2.1)-.1 Dα 0e0m0ikian pula, Φα = Kα R, dengan K = (R R + αI )-1 R, adalah peminimal unik dari
min ∥R-1 - R0
Φ +2α2∥Φ . (3)
∥
Φ ∈S2
∥
ρ∗
Kita dapat mengkarakterisasi operator sebagai solusi pembatas dari (3).

Proposisi 1. Terdapat sebuah Φ ∈ S2 yang unik yang memenuhi R-1=0 0R0 0Φ-1, dan ini diberikan oleh (R R )† R R . Akibatnya,
ρ∗
= (R0 R0 )† R0 R -1 . Selain itu,

lim ∥Φα - ρ∗ ∥2 = 0. (4)

α→0

Kondisi berikut adalah kunci dalam mengukur seberapa cepat batas terakhir ini menuju nol, yaitu laju konvergensi untuk
pasangan deterministik dari Φˆ α ke . Kondisi ini pada dasarnya mensyaratkan bahwa, untuk setiap f ∈ H, R-1 f berada dalam
ρ∗
rentang R0 R0 .

Kondisi 1 (Kondisi Sumber). Untuk 1 ≤ p ≤ ∞, terdapat w ∈ L(H) dan sebuah konstanta positif M sedemikian sehingga
R-1 = R0 R0 w, ∥w∥p ≤ M .

ρ∗ ρ∗
Catatan 1. Kondisi sumber dapat dituliskan secara ekuivalen sebagai sebuah kondisi pada , yaitu, = R0 w, ∥w ∥ p ≤ M .
w∗
R0 terdefinisi dengan baik pada seluruh ruang Hilbert H dan ρ =
w∗
Selain itu, operator R0 . Hal ini memberikan pemahaman
tentang keteraturan ρ: karena R0 ∈ S1 , maka

- jika p = ∞ kita tahu bahwa ρ ∈ S1 -lihat misalnya Weidmann (1980, Teorema 7.8 (c))- yang berarti bahwa ia paling tidak
sama teraturnya dengan R0 ;
- jika 1 ≤ p < ∞ kita memiliki ρ ∈ Sp/(p+1)-lihat misalnya Weidmann (1980, Teorema 7.8 (b))-berarti bahwa ia lebih
teratur daripada R0 , tetapi tidak lebih dari setengah derajat keteraturan (celah keteraturan maksimum adalah pada p = 1,
di mana ρ berada di
S1/2, dibandingkan dengan R0 yang berada di S1).

Untuk lebih konkretnya, jika operator ρ dan R0 dapat didiagonalisasi secara simultan dengan nilai eigen {µj } dan {λj }, maka
kondisi ini diterjemahkan ke dalam laju peluruhan nilai eigen. Secara khusus, jika 1 ≤ p ≤ ∞, kita memiliki {µj /λj } ∈ ℓp , di
mana ℓp menyatakan ruang dari urutan p yang dapat dijumlahkan. Pembaca dapat membandingkan kondisi sumber dan
kesimpulan ini dengan Asumsi A1 dalam Mas (2007).
Kita sekarang dapat menyatakan hasil utama kita yang terdiri dari tingkat konvergensi untuk penaksir autokorelasi
ρ, sebagai fungsi dari laju estimasi R0 dan R1 . Konvergensi dinyatakan dalam bentuk norma-p umum
∥ - ∥p . Tentu saja, kasus yang paling menarik adalah p = 1, 2, ∞, yang berhubungan dengan trace, Hilbert-Schmidt, dan
norma operator,
masing-
masing.

Teorema 1. Anggaplah bahwa Kondisi 1 berlaku untuk 1 ≤ p ≤ ∞. Asumsikan juga bahwa Rˆ0 dan Rˆ1 adalah penaksir dari R0 dan
22
R1 sedemikian hingga ∥Rˆ0 - R0 ∥p = OP (γn ), ∥Rˆ1 - R1 ∥p = OP (γn ). Kemudian,
( )
∥Φˆ αn ρ∗ 2
= + . (5)
- ∥p
∗=
∥2Φˆ␣γ n - ρ∥p

n
OP ααn
3
n
α

1/4

Jika sebagai tambahan αn ∼ γn , maka kita memiliki

∥Φˆ ( )
ρ∗
= ∥Φˆ α2 2 = . (6)
αn - ∥p - ρ∥p OP γn 1/4
∗ n

Di sini, kami menganggap Rˆ0 dan Rˆ1 memiliki nilai yang sama, yang biasanya memang demikian. Jika tidak, kita bisa
langsung mendapatkan v e r s i alternatifnya
( )
∥Φˆ γ1 γ0;
n
-ρ = +3 +
∗ 2
∥ ;n αn ,
α
OP αn n
α
( )
,∥ ˆ
(den)gan γ0;n dan γ1;n sedemikian sehingg2a ∥Rˆ0 - R0
R
memikirkan jenis-jenis laju yang lain, tergantung pada bagaim4ana Rˆ0 dan Rˆ1 konvergen. Memang, jika seseorang
 A. Caponera dan V.M. -R 2 Statistik dan Probabilitas Surat-surat 189 (2022)
= OP ∥ pO
= γ ;n .
∥p
γ0 n
;11P1

Catatan 2. Teorema 1 dinyatakan dalam bentuk batas atas dalam probabilitas, yaitu Big-O dalam probabilitas, tetapi kita dapat

memikirkan jenis-jenis laju yang lain, tergantung pada bagaim4ana Rˆ0 dan Rˆ1 konvergen. Memang, jika seseorang
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)
tingkat konvergensi untuk Rˆ0 dan Rˆ1 dalam arti yang hampir pasti atau rata-rata kuadrat, hal ini merefleksikan jenis
konvergensi dari penaksir autokorelasi kita.

Catatan 3. Teknik-teknik dan hasil-hasil kami pada dasarnya berbasis ruang Hilbert. Namun, kami berharap bahwa struktur
Hilbert umum ini dapat dieksploitasi, misalnya, untuk mendapatkan beberapa hasil (meskipun sifatnya lebih lemah) dengan
norma-norma Banach melalui pendekatan penyematan lemah yang diperkenalkan oleh Ruiz-Medina dan Álvarez-Liébana
(2019).
Kami sekarang mengilustrasikan penggunaan hasil kami dalam dua kasus penting. Kami menyoroti bahwa kasus kedua
memberikan angka pertama untuk estimasi autokorelasi di bawah rezim pengambilan sampel yang jarang/bising.

5
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)

Contoh 1 (Pengamatan Lengkap). Dalam analisis deret waktu fungsional klasik, penaksir tak bias dari R0 dan R1 , berdasarkan
sampel fungsional berukuran n, diberikan oleh
n n-1

1 1 ⊗ Xt Rˆ1
⊗ Xt ,
Rˆ0
=n Xt
= n-
Xt +1
i=1 , 1
t =1

∥4
Di bawah asumsi E∥X0
H < ∞, untuk estimator sampel ini, kita memiliki tingkat parametrik dalam arti rata-rata
yaitu, kuadrat,
2 -1 2 -1

E∥ Rˆ0 - R0 ∥2 = O(n ), E ∥ Rˆ1 - R1 ∥2 = O(n ),

lihat Bosq (2000, Teorema 4.1 dan Teorema 4.7). Dengan demikian, γn = n-1
dan, jika kondisi sumber terpenuhi untuk beberapa p
≥ 2, untuk αn ∼ n-1/4 kita memiliki
E∥Φˆ α - ρ∗ 2 = O(n -1/4
).
n

Selain itu, jika ∥X0 ∥ dibatasi, seseorang hampir pasti

memiliki (log n)
( )
log n
∥Rˆ0 - R0 = - =O ,
2 2
O , ∥Rˆ1 R1
∥2 ∥2
n n

lihat Bosq (2000, Corollary 4.1 dan Teorema 4.8). Oleh karena itu, untuk αn ∼ (log n/n)1/4 kita memperoleh
(( )1/4 )
∥Φˆ ρ∗ log
αn - ∥p =2 n a.s..
O
n

Contoh 2 (Pengamatan Jarang/Bising). Tinjau ruang Sobolev orde ke-r dari fungsi-fungsi periodik pada [0, 2π ], katakanlah Hr
([0, 2π ]), dan asumsikan bahwa {Xt , t ∈ Z} adalah sebuah proses autoregresif fungsional pada H = Hr ([0, 2π ]), untuk
beberapa r > 1. Saat berhadapan dengan data fungsional yang jarang teramati (mungkin noisy) (Yao et al., 2005), yaitu sebuah
model dengan bentuk

Yt ,j = Xt (Ut ,j ) + ϵt ,j , t = 1, . . . , n, j = 1, . . . , m,
di mana Uij adalah lokasi pengambilan sampel dan ϵij gangguan noise, kita dapat mendefinisikan estimator untuk R0 dan R1
sebagai peminimalisasi masalah regularisasi Tikhonov-lihat misalnya Hsing dan Eubank (2015, Bagian 8.3). Dengan asumsi
yang sesuai, untuk penaksir-penaksir ini

∥Rˆ0 - R0 = O (γn ),
22
- = OP (γn ),
∥Rˆ1 ∥2
∥2
R1
)-2r /(2r +1)
dengan γn = (nm/ log n + n-1 . Oleh karena itu, jika kondisi sumber terpenuhi untuk beberapa p ≥ 2, kita memiliki
( r )
2r +1)
∥Φˆ ρ∗ 2 2(
αn - ∥p =OP log n + n-1/4
.
nm

Hasil untuk Rˆ0 dan Rˆ1 ditetapkan dalam Caponera dkk. (2022). Bahkan, dalam pengaturan yang lebih umum dari deret stasioner
)-2r /(2r +d)
pada Hr (Sd )-Sd adalah hypersphere d-dimensi-ditunjukkan bahwa γn = (nm/ log n + n-1 , r > d. Kasus yang
dijelaskan di atas sesuai dengan d = 1.

3. Bukti pernyataan resmi

ρ∗
Bukti dari Proposisi 1. Ingat bahwa R-1 = R0 ρ∗
dan ∈ S2 . Sangat mudah untuk menunjukkan bahwa (R0 R0 ) ††
adalah ρ∗
R0 R-1 =R0 R-1
solusi dari R-1 = R0 Φ , Φ ∈ S2 . Memang, R-1 = R0
††
R0 = R0 ρ∗ = R-1 .
R0

6
 A. Caponera dan V.M. R0 R0
ρ∗ Statistik dan Probabilitas Surat-surat 189 (2022) ρ∗
Sekarang kita buktikan bahwa solusinya unik. Karena R-1 = , semua solusi yang mungkin Φ ∈ S2 memenuhi R0 (Φ - )f
R0
= 0,
untuk semua f ∈ H, yang berarti (Φ - ρ∗ )f ∈ Ker(R0 ), untuk semua f ∈ H. Akan tetapi, R0 definit†positif dan karenanya
Ker(R0 ) = {0}. Dengan demikian, Φ = ρ∗ .

7
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)
Di sisi lain, kita dapat berargumen bahw-a1 R ∈ Im (J ) ⊆ Dom (J † ). Ini
mengimplikasikan bahwa
ρ∗ = J R-1 . Oleh karena itu, dari sebuah
dari Hsing dan Eubank (2015, Teorema 6.2.2), kita mendapatkan hasil pada Persamaan aplikasi
(4). □

ρ∗
Bukti dari Teorema 1. Ingat kembali bahwa = (R0 R0 )† -. Kemudian, kita dapat menulis
R0 R †

Φˆ α - ρ∗ = Kˆ α (Rˆ-1 - R-1 ) + (Kˆ α - Kα )R-1 + (Kα - (R0 R0 ) R0 )R-1 . (7)

Sekarang, definisikan Rˆ0;α = Rˆ0 Rˆ0 + αI dan R0;α = R0 R0 + αI . Dengan demikian,
Kˆ α - Kα = Rˆ -1 Rˆ0 ± R-1 R0 - R-1 R0 = Rˆ -1 (Rˆ0 - R0 ) + (Rˆ -1 - R-1 )R0
0; α ˆ0; α 0;α 0;α 0;α 0;α
-1
= Rˆ -1

(
0;α Rˆ0
- R0 ) + (
Rˆ0;α R0;α
- Rˆ0;α )Kα .

8
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)

Pertama-tama kita amati bahwa, untuk α > 0 dan f ∈ H,

α∥f ∥2 ≤H HαH∥f ∥2 + ∥R0 f ∥2 = ⟨f , (R0 R0 + αI )f ⟩ H ≤ ∥f ∥H ∥(R0 R0 + αI )f ∥H ,
dan karena itu
11
∥R-1 ≤ α.
0;α ∥∞ : = sup ∥(
∥f ∥H =1 R0 R0 + αI )f ∥H

Secara ekuivalen,0;∥R∞ˆ ≤ 1/α.

α
-1
∥
Untuk bagian deterministik dalam Persamaan (7), kita memiliki

[(R0 R0 )† R0 - Kα ]R = [(R R )† R R - R-1

R R ]ρ∗
-1 0 0 0 0 0;α 0 0
††∗
= R-1

0;α
[R0 R0 (R0 R0 ) R0 R0 + α (R0 R0 ) R0 R0 - R0 R0 ]ρ
R-1 † ρ∗
=α (R0 R0 ) R0 R0
0
R-1 † †
=α (R-01 R0 ) R0 R0 (R0 R0 ) R0 R
0
R-1 ρ∗
= 0;α

karena R0 R0 (R0 R0 )† R0 R0 = R0 R0 dan (R0 R0 )† R0 R0 (R0 R0 )† = (R0 R0 )† . Sebagai tambahan, untuk z ∈ H dan f = (R0 R0 + αI )-1 z
, kita memiliki
∗
∥K z2∥ = ( + αI )-1 z, ( + αI )-1 z = ⟨f , f
⟨R0 R0 R0 R0 R0 R0 ⟩H R0 R0
αH

≤ ⟨f , 1
R0 R0 f ⟩ + α⟨f , f = ⟨f , z ≤ ∥f ∥H ∥z ∥H ≤ ∥z ∥H , 2
H ⟩H ⟩H α
dan karenanya √
∥Kα ∥∞ = ∥K∗α ∥∞ ≤ α. Hal yang sama berlaku untuk Kˆ α.
1/
ρ∗
Sekarang, karena kondisi sumber, kita memiliki = R0 w, ∥w∥p ≤ M , dan
√
†
∥[(R0 R0 ) R0 - Kα ]R ∥p- ≤ α ∥ Kα ∥ ∥w∥p ≤ αM.
1 ∞
Deng
an
demik
ian,

∥Φˆ α - ρ ∗ †≤ ∥Kˆ
- ) + ∥(Kˆ - + ∥( ( ) )
( ∥ α R
)
R-1 α Kα R- K R0 R0 R0 R-
≤ ∥Kˆ α ∥∞ ∥Rˆ1 - +
-1
∥Rˆ0; α ∥∞ ∥Rˆ0
-R0 ∥p ∥ R 1 ∥p
R1 ∥p
√
+ ∥Rˆ -1 ∥ ∥R - R ∥ ∥ K ∥ ∥R ∥ + αM .
0;α ∞
ˆ 0;α 0; α p α ∞ 1 p

Selain itu, perhatikan

bahwa

∥Rˆ0;α - R0;α ∥p = ∥Rˆ0 Rˆ0 ± Rˆ0 R0 - R0 R0 ∥p ≤ ∥Rˆ0 ∥p ∥Rˆ0 - R0 ∥p + ∥Rˆ0 - R0 ∥p ∥R0 ∥p

≤ ∥Rˆ0 -
2 ( )
+ 2∥Rˆ0 - R0 ∥p ∥R0 ∥p = R0 ∥-ˆR0 ∥p
R
OP
2 2 1/4
Dengan demikian, jika - = - =
R0 ∥p OP (γn ), ∥Rˆ1 R1 ∥p OP (γn ), kita dapat memperoleh hasil pada Persamaan (5). Jika sebagai
∥
tambahan αn = γn ,
maka kita memiliki (6). □

Ucapan terima kasih

Anal. 170,
9
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)
Para penulis berterima kasih atas dukungan dari Hibah SNSF 200020_207367.

Referensi

Aneiros, G., Cao, R., Fraiman, R., Genest, C., Vieu, P., 2019. Kemajuan terbaru dalam analisis data fungsional dan statistik dimensi tinggi. J. Multivariat

Anal. 170,
1
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)
Aneiros, G., Horová, I., Hušková, M., Vieu, P., 2022. Pada analisis data fungsional dan topik terkait. J. Multivariate Anal. 189, 104861.
Antoniadis, A., Sapatinas, T., 2003. Metode wavelet untuk prediksi waktu kontinu menggunakan proses autoregresif bernilai Hilbert. J. Multivariat
Anal. 87 (1), 133-158.
Bosq, D., 1991. Pemodelan, estimasi nonparametrik dan prediksi untuk proses waktu kontinu. In: Estimasi Fungsional Nonparametrik dan
Topik terkait. Springer, hal. 509-529.
Bosq, D., 2000. Proses linear dalam ruang fungsi. Dalam: Teori dan Aplikasi. Springer-Verlag.
Caponera, A., Fageot, J., Simeoni, M., Panaretos, V.M., 2022. Estimasi fungsional operator kovariansi anisotropik dan autokovariansi pada bola.
arXiv:2112.12694.
Carré, C., Mas, A., 2019. Prediksi proses autoregresif Hilbertian: pendekatan jaringan saraf tiruan berulang. Ann. Isup 63, 115-128. Cuevas, A.,
2014. Tinjauan parsial teori statistik dengan data fungsional. J. Statist. Plann. Inferensi 147, 1-23.
Goia, A., Vieu, P., 2016. Pengantar kemajuan terbaru dalam statistik dimensi tinggi/terbatas. J. Multivariate Anal. 146, 1-6.
Guillas, S., 2001. Tingkat konvergensi estimasi autokorelasi untuk proses autoregresif Hilbertian. Statist. Probab. Lett. 55 (3), 281-291. Hanke, M., 2017.
Sekilas tentang Masalah Invers: Teori Dasar dan Contoh. SIAM.
Hsing, T., Eubank, R., 2015. Dasar-Dasar Teoritis Analisis Data Fungsional, dengan Pengantar Operator Linier. John Wiley & Sons.

1
 A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)

Mas, A., 1999. Normalité asymptotique de l'estimateur empirique de l'opérateur d'autocorrélation d'un processus ARH(1). C. R. Acad. Sci. Paris Sér. I Math.
329, 899-902.
Mas, A., 2007. Kekonvergenan yang lemah pada model autoregresif fungsional. J. Multivariate Anal. 98 (6), 1231-1261.
Ruiz-Medina, M.D., Álvarez-Liébana, J., 2019. Prediktor autoregresif yang sangat konsisten dalam ruang Banach abstrak. J. Multivariate Anal. 170, 186-201.
Wang, J.-L., Chiou, J.-M., Müller, H.-G., 2016. Analisis data fungsional. Annu. Rev. Stat. Appl. 3 (1), 257-295.
Weidmann, J., 1980. Operator-operator linear di ruang Hilbert. In: Teks-teks Pascasarjana dalam Matematika. Springer, New York.
Yao, F., Müller, H.G., Wang, J.L., 2005. Analisis data fungsional dari data longitudinal yang jarang. J. Amer. Statist. Assoc. 100, 577-590.

1
A. Caponera dan V.M. Statistik dan Probabilitas Surat-surat 189 (2022)