FDA 8.9 — 함수 시계열의 확장과 참고문헌

Bosq 의 ARH(1) 이론, Aue·Shang 의 예측 확장, Horváth-Kokoszka 의 종합서, 동적 FPCA, 스펙트럼 방법론까지

Kokoszka & Reimherr (2017) Ch.8.9 의 핵심을 다룬다. Ch.8 의 본문 (FAR(1), Hyndman-Ullah, LRCF, 정상성 검정) 을 넘어선 후속 발전 — Bosq (2000) 의 ARH(1) 깊이 있는 이론, Hyndman-Ullah 시리즈의 예측 확장, Aue et al. (2015) 의 다변량 예측 정당화, Shang (2017) 의 updating, Horváth & Kokoszka (2012) 의 종합서, weakly dependent FTS 의 CLT, LRV 추정 (Horváth et al. 2013), 정상성 검정 이론 (Horváth et al. 2014; Kokoszka & Young 2016), Panaretos-Tavakoli 의 스펙트럼 방법론, Hörmann 의 동적 FPCA — 까지 함수 시계열의 현 위치와 미래 방향을 정리한다.

Statistics
Functional Data Analysis
저자

Kwangmin Kim

공개

2026년 05월 07일

1 이 절의 위치

Section 8.9 의 역할

Ch.8 의 본문 (8.1~8.8) 이 함수 시계열의 표준 도구 를 다뤘다면, 8.9 는 그 토대를 넘어선 후속 연구의 지도 를 제공한다.

./8-0-functional-time-series.qmd 부터 ./8-4-implementation-existence.qmd 까지 Ch.8 의 본문 8 개 절을 다뤘다. 이 포스트는 §8.9 의 확장과 참고문헌 을 정리한다.

Ch.8 본문 (§8.1~§8.8)
    ↓
Ch.8 확장 (§8.9)
    ├ FAR/ARH 이론의 깊이 — Bosq (2000)
    ├ 예측 방법의 발전 — Hyndman-Ullah 시리즈 + Aue + Shang
    ├ 종합 참고서 — Horváth & Kokoszka (2012)
    ├ Weakly dependent CLT
    ├ LRV·정상성 검정 이론의 정교화
    ├ 스펙트럼 방법론 — Panaretos-Tavakoli
    └ 동적 FPCA — Hörmann et al. (2015)

핵심 메시지: 함수 시계열은 활발한 연구 분야 이며, Ch.8 의 도구는 더 깊은 이론·더 일반적 모형·더 정교한 추론으로 확장되고 있다. 이 절이 그 발전의 좌표.

2 함수 자기회귀 이론의 깊이

2.1 Bosq (2000) — ARH(1) 의 표준 참고서

Bosq (2000): “Linear Processes in Function Spaces”

함수 자기회귀 과정의 이론적 표준 참고서. ARH(1) (Autoregressive in Hilbert space, \(H\) = 임의 Hilbert 공간) 의 모든 이론적 결과 — 존재, 유일성, 점근 분포, 추정량의 일치성 — 의 출처.

FAR(1) = ARH(1) 의 특수 경우 (\(H = L^2[0, 1]\)).

2.2 직관: 왜 “ARH” 인가

Ch.8 에서 사용한 “FAR” (Functional Autoregressive) 는 응용 통계의 표기. 수학·확률론 문헌에서는 “ARH” (Autoregressive in Hilbert space) 가 표준.

차이는 일반성 — ARH 가 임의 Hilbert 공간 (\(\ell^2\), \(L^2\), 사블레프 공간 등) 에서 정의 가능. FAR 는 보통 \(L^2[0, 1]\) 에 한정.

2.3 Bosq 의 주요 기여

Bosq (2000) 의 핵심 결과:

  1. ARH(1) 의 존재와 유일성 — Theorem 8.8.1 의 일반화 (Hilbert 공간 임의).
  2. 점근 분포 — 추정량 \(\widehat{\Phi}_p\) 의 점근 정규성 + 수렴 속도.
  3. MLE 와 LSE 의 비교 — 다양한 추정량의 효율성.
  4. 백색 잡음의 일반 정의 — strict iid 가 아닌 weak white noise 도 처리.
  5. 응용 분야의 광범위 사례 — 환경·금융·인구학.

2.4 직관: 본문이 못 다룬 부분

Ch.8 의 본문은 실용적 도구 위주 — 추정 (8.2), 예측 (8.3, 8.4), 검정 (8.6), 구현 (8.7) 등. 이론적 토대 (점근 분포, 효율성) 는 명시적으로 다루지 않음. Bosq (2000) 가 이 빈 부분을 채움.

함수 시계열 분석을 깊이 있게 하려면 Bosq 가 필수 — Ch.10, 11 (Hilbert 공간, 확률 함수) 의 배경 지식이 선행.

2.5 비유: 응용 매뉴얼 vs 이론 교과서

  • Ch.8 = 사용자 매뉴얼 — “이 도구를 어떻게 쓰는가”.
  • Bosq (2000) = 엔지니어링 교과서 — “이 도구가 왜 작동하는가, 어떤 조건에서 더 나은가”.

두 종류 모두 필요. 표준 응용은 매뉴얼로 충분, 새 모형 개발이나 정교한 추론은 교과서 필수.

3 Hyndman-Ullah 예측의 발전

3.1 Hyndman & Ullah (2007)

8.3 에서 본 Hyndman-Ullah 방법의 원논문. Mortality curves 예측의 표준 도구로 actuarial science 에 도입.

3.2 Hyndman & Booth (2008)

같은 framework 의 확장. Bootstrap 기반 신뢰 한계 + 모형 선택 자동화 등 실무 도구 추가.

3.3 Hyndman & Shang (2009)

Hyndman-Ullah 의 여러 변형 비교. 어떤 데이터 종류 + 어떤 예측 horizon 에서 어떤 방법이 우수한지 체계적 평가.

3.4 직관: 한 방법의 진화

Hyndman 의 시리즈가 보여주는 것:

하나의 핵심 아이디어 (KL 절단 + 단변량 시계열 예측) 가 점진적으로 정교화 되어 표준 도구가 된다.

이는 통계학 연구의 일반 패턴 — 신선한 아이디어 → 추가 검증 → 응용 확장 → 표준화. Hyndman-Ullah 가 약 10 년에 걸쳐 이 과정을 밟음.

3.5 비유: 소프트웨어의 버전 업데이트

  • v1.0 (Hyndman-Ullah 2007) — 핵심 기능.
  • v1.1 (Hyndman-Booth 2008) — Bootstrap 추가.
  • v1.2 (Hyndman-Shang 2009) — 여러 옵션 비교.

각 버전이 이전을 무효화하지 않고 추가 기능 + 더 견고한 사용법 을 제공.

4 다변량 예측의 정당화

4.1 Aue, Norinho, Hörmann (2015)

8.4 에서 본 다변량 함수 시계열 예측 (farforecast) 의 원논문. 핵심 기여:

  1. 점수 벡터의 VAR 모형의 large sample 정당화 — Hyndman-Ullah 가 직관에 의존했다면, Aue 등은 점근 이론으로 정확성 보장.
  2. 확장된 framework — VAR(p) 차수 선택, multivariate forecasting 의 신뢰 한계.
  3. 응용 — 호주 그라츠 pm10 오염 (8.4 의 데이터).

4.2 Shang (2017)

Updating 접근법 — 데이터가 점진적으로 도착할 때 기존 예측을 효율적으로 업데이트. 실시간 모니터링 시스템의 핵심.

4.3 직관: 정적 vs 동적 framework

측면 정적 (Hyndman-Ullah, Aue) 동적 (Shang)
데이터 한 번에 모두 사용 점진적 도착
모형 적합 한 번 새 데이터마다 업데이트
응용 일회성 분석 실시간 시스템

Shang 의 updating 은 실무 시스템 (오염 경보, 금융 거래) 의 함수 시계열 적용에 필수.

4.4 비유: 일기예보의 두 종류

  • 계절 예보 = 정적 — 한 시점의 모든 데이터로 한 번 예측.
  • 실시간 예보 = 동적 — 매 시간 새 관측을 추가하여 갱신.

두 종류 모두 가치 있지만 사용 맥락이 다름 — 함수 시계열 예측도 같다.

5 종합 참고서: Horváth & Kokoszka (2012)

Horváth & Kokoszka (2012): “Inference for Functional Data with Applications”

함수 시계열의 종합 교과서. Ch.8 의 모든 주제 (FAR, 예측, LRCF, 정상성) 를 더 깊이 + 추가 주제 다룸:

  1. Order determination — FAR(p) 의 차수 \(p\) 선택의 체계적 방법.
  2. Change point detection — FAR 의 변화점 검정 (8.6 의 정상성 검정의 정교화).
  3. Weakly dependent functional processes 의 일반 이론.
  4. CLT 와 점근 분포 — 본문이 다루지 못한 정확한 statement + 증명.
  5. 추가 추론 도구 — bootstrap, permutation test 등.

5.1 직관: 본문 + 종합서의 관계

Kokoszka 의 두 책:

  • Kokoszka & Reimherr (2017) = “Introduction” — 입문서, 응용 위주.
  • Horváth & Kokoszka (2012) = “Inference for Functional Data” — 종합서, 추론 위주.

같은 저자 가족의 두 단계 텍스트 — 입문 후 깊이.

5.2 비유: 두 단계 학습서

  • 수영 입문서 — 자유형, 평형, 배영의 기본.
  • 수영 종합서 — 같은 영법 + 호흡 이론, 근육학, 코칭 방법.

두 권 모두 필요 — 입문 후 깊이 있는 마스터.

6 Weakly Dependent FTS 의 CLT

6.1 일반 결과

Horváth & Kokoszka (2012) 의 핵심 정리:

약 종속 정상 FTS 의 CLT

\(\{X_n\}\) 이 weakly dependent stationary FTS 이면:

\[ N^{1/2}(\bar{X}_N - \mu) \xrightarrow{d} G, \]

\(L^2\) 공간에서, \(G\) 는 가우스 random function (공분산이 LRCF \(\sigma\)).

6.2 일관성 결과

CLT 의 corollary:

\[ \|\bar{X}_N - \mu\| \xrightarrow{P} 0, \]

즉 표본 평균 함수가 평균 함수의 일치 추정량 — weakly dependent 환경에서도.

6.3 직관: iid CLT 의 일반화

iid CLT (Ch.3): \(\sqrt{N}(\bar{X}_N - \mu) \to G\) where \(G\) 의 공분산 = \(c\) (lag-0).

Weakly dependent CLT: 같은 형태이지만 \(G\) 의 공분산 = LRCF \(\sigma\) — 모든 lag 의 합.

이는 8.5 의 LRCF 가 단순 도구가 아닌 점근 분포의 핵심 임을 보여준다.

6.4 “Weakly Dependent” 의 의미

수학적으로 다양한 정의 — \(\alpha\)-mixing, \(\beta\)-mixing, \(L^p\)-\(m\)-approximability 등. 본질:

\(X_n\) 과 \(X_{n+h}\) 의 의존성이 \(h \to \infty\) 일 때 충분히 빠르게 감소.

FAR(1) (\(\|\Phi\| < 1\)) 가 자연스러운 예시 — Theorem 8.8.1 의 \(\Phi^j\) 의 기하급수적 감쇠가 weak dependence.

6.5 비유: 사회적 영향력의 감쇠

한 사람의 의견이 1 단계 친구에게 강한 영향, 2 단계 친구의 친구에게 약한 영향, … 충분히 멀어지면 영향 사라짐. 충분히 빠른 감쇠 가 weak dependence.

함수 시계열도 같은 사고 — 시간 차가 큰 두 곡선의 의존성이 충분히 빠르게 감쇠하면 표본 평균이 잘 작동.

7 LRV 추정의 정교화

7.1 Horváth, Kokoszka, Reeder (2013)

LRV 추정의 점근 분석 + 최적 bandwidth 선택. Ch.8.5 의 lag window 추정량 (식 8.16) 의 이론적 성질 정확히 도출.

7.2 핵심 기여

  1. \(\widehat{\sigma}(t, s)\) 의 일치성 + 수렴 속도 — 표준 노름에서.
  2. 최적 bandwidth \(q\) — MSE 최소화 기준.
  3. 다양한 lag window 의 비교 — Bartlett, Parzen, Quadratic spectral.

7.3 직관: 표준오차의 표준오차

Ch.8.5 가 LRV 추정의 방법 을 다뤘다면, Horváth et al. (2013) 은 그 추정의 정확성:

  • LRV 가 점근 분포의 핵심.
  • LRV 추정이 표준오차 계산.
  • LRV 추정의 정확성이 추론의 신뢰성을 결정.

이는 메타 분석 — “도구의 도구의 정확성” — 통계학의 깊은 층위.

7.4 비유: 자의 정확도

길이 측정에 자를 사용. 자 자체의 정확도는? 1mm 라면 그 이하의 측정은 의미 없음.

LRV 추정의 정확도가 함수 시계열 추론의 자 — 자가 정확해야 측정도 정확.

8 정상성 검정의 발전

8.1 Horváth, Kokoszka, Rice (2014)

8.6 의 정상성 검정의 정확한 점근 이론. 본문이 직관적 설명만 했다면, 이 논문이 정확한 statement + 증명.

8.2 핵심 기여

  1. Test statistic 의 점근 분포 정확 도출.
  2. \(T^0(d)\) 의 critical values (Table 8.1 의 출처).
  3. 검정의 검정력 분석 — 어떤 대립 가설에서 얼마나 강력.
  4. 확장된 대립 가설 — change point + random walk 외의 비정상 패턴.

8.3 Kokoszka & Young (2016)

Trend stationarity tests — 시간 추세를 가진 모형의 정상성 검정.

8.4 직관: 정상성의 다양한 형태

순수 정상성 vs 다양한 비정상:

  • 순수 정상 (Ch.8.6 의 \(H_0\)) — 평균·분산·자기공분산 모두 시간 무관.
  • 추세 정상 (Kokoszka-Young) — 추세를 제거하면 정상.
  • 계절 정상 — 계절성을 제거하면 정상.
  • 단위 근 (unit root) — random walk 형태 (Ch.8.6 의 \(H_{A, 2}\)).

각 형태마다 다른 검정 도구 필요. 정상성 검정의 분야가 매우 넓음.

8.5 비유: 의학 진단의 단계

체온이 정상 (37도 이하) vs 비정상 — 1 차 진단. 비정상 중에서: 감기 (단기), 만성질환 (장기), 응급 (급성) — 추가 진단.

정상성 검정도 같은 패턴 — 1 차 검정 (Ch.8.6) 이 비정상 가능성, 후속 검정이 비정상의 정확한 형태.

9 스펙트럼 방법론

9.1 Panaretos & Tavakoli (2013a, 2013b)

함수 시계열의 스펙트럼 분석 (Fourier domain). 시계열을 사인·코사인 함수로 분해 — 시간 영역 분석의 대안.

9.2 핵심 기여

  1. 함수 스펙트럼 밀도 (functional spectral density) 의 정의.
  2. 추정과 점근 이론.
  3. 인과관계 (causality) 와 cross-spectrum 분석.

9.3 직관: 시간 vs 주파수 영역

스칼라 시계열 분석에서 시간 영역 (ACF, AR/MA 모형) 과 주파수 영역 (스펙트럼 밀도, 주기도) 이 보완적.

함수 시계열도 같은 두 관점:

  • 시간 영역: Ch.8 의 본문 (FAR, 자기공분산).
  • 주파수 영역: Panaretos-Tavakoli — 사인/코사인 분해.

두 관점 모두 가치 있으며, 계절성·주기성이 강한 데이터 (예: 일별 기온) 에서 주파수 분석이 자연스러움.

9.4 비유: 음악의 두 표현

  • 악보 (시간 영역) — 시간에 따른 음표.
  • 스펙트로그램 (주파수 영역) — 주파수에 따른 강도.

같은 음악의 두 표현 — 분석 목적에 따라 선택. 주기적 패턴은 스펙트로그램이 더 명확.

10 동적 FPCA (Dynamic Functional PCA)

10.1 Hörmann, Kidziński, Hallin (2015)

함수 시계열의 새 PCA — Karhunen-Loève 의 시간 종속 일반화.

10.2 핵심 통찰

Dynamic FPCA 의 motivation

기존 EFPC (Ch.3): iid 함수에 대해 최적 — Karhunen-Loève 분해의 truncation 이 최소 평균 제곱 오차.

시간 종속 함수에서는 EFPC 가 최적이 아님 — 시계열 의존성을 고려한 새 기저가 더 효율적.

Hörmann 의 dynamic FPCA = 정상 FTS 의 spectral density operator 에서 도출된 시간 종속 직교 기저.

10.3 기존 EFPC 와의 차이

측면 기존 EFPC (Ch.3) Dynamic FPCA (Hörmann)
가정 iid 함수 정상 FTS
토대 표본 공분산의 고유분해 스펙트럼 밀도 연산자의 고유분해
최적성 iid 의 KL 최소 절단 오차 정상 FTS 의 절단 오차
점수 비상관 시간 종속 점수

10.4 직관: 시계열 의존성의 활용

iid 가정에서는 각 곡선이 독립 → 단일 시점 공분산만 사용.

정상 FTS 에서는 곡선들이 의존 → 모든 lag 의 정보 활용 가능. Dynamic FPCA 가 이 추가 정보를 절단 효율성에 반영.

결과: 같은 차원의 절단으로 더 정확한 표현 — 또는 같은 정확도로 더 적은 차원.

10.5 응용

  • Hyndman-Ullah 예측의 개선 — 표준 EFPC 대신 dynamic FPCA 사용.
  • 함수 시계열의 시각화 — 시간 변동 모드의 더 정확한 추출.
  • 차원 축소 — 분류, 군집화에 더 효율적.

10.6 비유: 사진과 영상의 압축

  • 사진 압축 (JPEG) — iid 가정, 각 사진의 자체 압축.
  • 영상 압축 (H.264, H.265) — 시간 종속성 활용, 인접 프레임의 차이만 저장.

영상 압축이 사진 압축보다 효율적 — 시간 의존성을 정보로 활용.

Dynamic FPCA 도 같은 사고 — 함수 시계열의 시간 의존성을 차원 축소에 활용.

11 Ch.8 의 발전 시간순 지도

11.1 시간순 정리

1990s: Bosq 의 ARH 이론 시작
2000:  Bosq 의 표준 참고서 출간
2007:  Hyndman-Ullah 의 mortality 예측 — Ch.8.3
2008:  Hyndman-Booth — bootstrap 추가
2009:  Hyndman-Shang — 변형 비교
2010:  Hörmann-Kokoszka — weakly dependent functional CLT
2012:  Horváth-Kokoszka 의 종합서 — 모든 후속 발전의 기준
2013a/b: Panaretos-Tavakoli — 스펙트럼 방법론
2013:  Horváth-Kokoszka-Reeder — LRV 추정의 정교화
2014:  Horváth-Kokoszka-Rice — 정상성 검정 이론
2015:  Aue-Norinho-Hörmann — 다변량 예측 (`farforecast`) — Ch.8.4
2015:  Hörmann-Kidziński-Hallin — dynamic FPCA
2016:  Kokoszka-Young — trend stationarity tests
2017:  Shang — 예측의 updating
2017:  Kokoszka-Reimherr — Ch.8 의 모든 도구 통합 입문서

11.2 발전의 두 축

축 방향 대표 연구
이론적 정교화 직관 → 정확한 점근 Bosq, Horváth-Kokoszka
실무 도구 확장 단순 → 자동화 + 다양한 응용 Hyndman 시리즈, ftsa 패키지
모형 일반화 iid → weakly dependent → 비정상 CLT 발전, dynamic FPCA
추론 도구 점추정 → 검정 + 신뢰 한계 LRV, 정상성 검정, 변화점 검정

Ch.8 가 다룬 framework — 정상 FTS + FAR(1) + Hyndman-Ullah — 가 모든 발전의 출발점.

12 후속 챕터들과의 연결

12.1 Ch.10~11 과의 관계

  • Ch.10 (Hilbert 공간 이론) — Bosq (2000) 와 Theorem 8.8.1 의 형식적 토대.
  • Ch.11 (확률 함수와 가우스 과정) — Weakly dependent CLT 의 가우스 한계 \(G\) 의 정의.

Ch.8 의 본문이 Ch.10~11 의 도구를 사용했지만, 깊이 있는 이해는 순서대로 학습 권장 (1~9 → 10~11).

12.2 Ch.12 와의 관계

Ch.12 (Inference from a random sample) — iid 가정 하의 점근 추론. Ch.8 의 weakly dependent 결과는 Ch.12 의 일반화.

12.3 직관: 책 전체의 구조

Kokoszka & Reimherr (2017) 의 12 장 구조:

1~3:  도입 + 기본 도구 (FPCA, KL)
4~7:  iid 함수 데이터의 회귀·GLM·sparse
8~9:  종속 함수 데이터 (시계열 + 공간) ← Ch.8 가 시계열
10~11: 수학적 토대 (Hilbert 공간, 확률 함수)
12:   추론의 일반 이론

8.9 의 참고문헌이 이 책 다음의 자기 학습 경로 를 제공 — Bosq, Horváth-Kokoszka, Hyndman 시리즈, dynamic FPCA 논문 등.

13 미래 방향

13.1 활발한 연구 영역

함수 시계열의 미래 연구 방향
  1. 고차원 함수 시계열 — 다변량 함수 (multivariate FTS) 의 자기상관 모형.
  2. 비선형 함수 시계열 — FAR 의 비선형 일반화.
  3. 함수 시계열의 변화점 검정 — 다양한 형태의 비정상 검출.
  4. 베이지안 함수 시계열 — 사전분포 + 사후분포 framework.
  5. 딥러닝과 FTS — RNN, LSTM 의 함수 데이터 적용.
  6. 공간-시간 함수 — Ch.9 의 spatial 과 Ch.8 의 시계열의 결합.
  7. Sparse FTS — Ch.7 의 sparse 와 Ch.8 의 시계열 결합.

13.2 직관: 통계학의 발전 패턴

각 분야의 표준 도구 (Ch.8 의 FAR, Hyndman-Ullah) 가 정착된 후:

  1. 이론적 정교화 — 정확한 점근 분포, 효율성.
  2. 모형 일반화 — 더 복잡한 의존성, 비선형성.
  3. 새 응용 — 다른 분야로의 확장.
  4. 새 알고리즘 — 더 빠르거나 더 정확한 추정.
  5. 다른 분야와의 결합 — 머신러닝, 베이지안 등.

함수 시계열도 이 패턴을 따라 진행 중.

13.3 비유: 한 분야의 성숙

자동차 산업의 발전:

  1. 초기 — 기본 형태 정착 (1900~1930).
  2. 표준화 — 모델 다양화, 대량 생산 (1930~1970).
  3. 정교화 — 안전·연비·전자 (1970~2000).
  4. 재정의 — 전기·자율주행 (2000~).

함수 시계열은 2000~2010 의 표준화 단계 (Bosq, Hyndman-Ullah, Aue) 와 2010~ 의 정교화 + 결합 단계 (dynamic FPCA, sparse FTS) 사이.

14 통합 시각

14.1 한 줄 요약

Ch.8.9 는 함수 시계열의 후속 발전 지도 — Bosq (2000) 의 ARH(1) 이론적 토대, Hyndman-Ullah 시리즈와 Aue·Shang 의 예측 확장, Horváth-Kokoszka (2012) 의 종합서, weakly dependent CLT 와 LRV·정상성 검정의 정교화 (Horváth et al. 2013, 2014; Kokoszka-Young 2016), Panaretos-Tavakoli 의 스펙트럼 방법론, Hörmann 의 동적 FPCA 까지. 함수 시계열은 활발한 연구 분야이며, Ch.8 의 도구 (FAR, Hyndman-Ullah, LRCF, 정상성 검정) 가 모든 발전의 출발점.

14.2 Ch.8 본문과의 비교

본문 절 8.9 의 후속 발전
8.2 FAR(1) Bosq (2000) 의 ARH(1) 이론, Horváth-Kokoszka 의 차수 결정
8.3 Hyndman-Ullah Hyndman-Booth (2008), Hyndman-Shang (2009), Shang (2017) updating
8.4 다변량 예측 Aue et al. (2015) 의 정당화
8.5 LRCF Horváth et al. (2013) 의 추정 이론
8.6 정상성 검정 Horváth et al. (2014), Kokoszka-Young (2016)
8.8 존재 조건 Bosq (2000) 의 일반 ARH(1)
(없음) Panaretos-Tavakoli — 스펙트럼
(없음) Hörmann — 동적 FPCA

마지막 두 항목 — 스펙트럼 방법론과 동적 FPCA — 는 Ch.8 본문에서 다루지 않은 새 paradigm. 후속 학습의 핵심.

14.3 학습 경로 권장

Ch.8 후 함수 시계열 학습 경로
  1. Hyndman-Ullah (2007) 원논문 — Ch.8.3 의 정확한 출처.
  2. Aue et al. (2015) — Ch.8.4 의 이론적 토대.
  3. Bosq (2000) Chapter 1~3 — ARH(1) 의 일반 이론.
  4. Horváth-Kokoszka (2012) Chapter 5~7 — 종합 추론.
  5. Hörmann et al. (2015) — 동적 FPCA 의 새 framework.
  6. Panaretos-Tavakoli (2013a/b) — 스펙트럼 분석.
  7. R 패키지 ftsa, fda 의 vignette — 실무 적용.

15 관련 주제

선행 지식

후속 주제

관련 개념

Subscribe

Enjoy this blog? Get notified of new posts by email: