희소 관측 상관 함수 데이터의 커널 스무딩 기반 주성분 분석

본 논문은 현대 통계학·데이터 과학에서 빈번히 마주치는 “희소하고 불규칙하게 관측된, 잡음이 섞인 함수형 데이터”의 공분산 구조 추정 문제를 다룬다. 저자는 먼저 기존 접근법을 비판한다. 전통적인 방법은 (1) 개별 곡선을 로컬 다항식이나 커널 스무딩으로 부드럽게 만든 뒤, (2) 이들 부드러운 곡선의 경험적 공분산을 계산하고, (3) 고유값·고유함수를 추정한다. 그러나 이러한 “naïve kernel smoothing”은 공분산 커널의 대각선 근처에서 심각한 과대추정(bias)을 일으킨다. 구체적으로, 각 곡선에 적용된 커널 밴드폭 \(h_n\) 와 관측점 수 \(m_i\) 사이에 \(h_n m_i \to \infty\) 조건이 없으면, 대각선에서 \(\mathbb{E}