Novel Models for Multiple Dependent Heteroskedastic Time Series
本文针对婴儿fMRI数据中因突然头部运动导致的高波动性问题，提出用AR+GARCH模型对多重相依时间序列进行波动率建模，并验证其能捕捉跨脑区共享波动聚集现象。
2023-10-26 eess.SP stat.ME
Dynamic Spatial Autoregressive Models with Autoregressive and Heteroskedastic Disturbances
我们提出了一类新的模型，专门为时空数据分析。为此，我们推广的空间自回归模型与自回归和异方差干扰，即SARAR（1，1），利用最近的进展，分数驱动（SD）模型通常用于时间序列计量经济学。特别是，我们允许随时间变化的空间自回归系数以及随时间变化的回归系数和横截面标准差。我们报告了一个广泛的蒙特卡罗模拟研究，以调查有限样本性质的极大似然估计的新一类模型，以及其灵活性，在解释几个动态空间依赖过程。通过在投资组合优化中的应用，发现新提出的一类模型在经济上是理性投资者的首选。
2023-01-11 q-fin.PM stat.AP stat.ME
Chaos in Fractionally Integrated Generalized Autoregressive Conditional Heteroskedastic Processes
分数积分广义自回归条件异方差（FIG. 1）是在金融时间序列建模中出现的。图1基本上由非线性随机差分方程组${u_t}$ = ${z_t}$ $(1-\sum\limits_{j=1}^q β_j L^j)σ_{t}^2 = ω+(1-\sum\limits_{j=1}^q β_j L^j - (\sum\limits_{k=1}^p φ_k L^k) (1-L)^d) u_t^2$控制，其中$ω\in$ R和$β_j\in$ R是常数参数，$\{u_t\}_{{t\in}^+}$和$\{σ_t\}_{{t\in}^+}$是分别表示图1（p，d，q）和随机波动率的离散时间实值随机过程。此外，L是后向移位算子，即$L^d u_t \equiv u_{t-d}$（d是分数差分参数0 $<$ d $<$ 1）。在这项工作中，我们已经研究了FIGUAL（p，d，q）过程的混沌性质，通过计算互信息，相关维数，FNN（假最近邻），李雅普诺夫指数，并为上述随机差分方程和金融时间序列。我们观察到最大李雅普诺夫指数为负，因此，可以认为FIGG（p，d，q）不是确定性混沌过程。
2016-02-12 math.DS q-fin.MF q-fin.ST
Portfolio optimization with mixture vector autoregressive models
获得条件协方差阵的可靠估计是异方差多元时间序列的一项重要任务。在投资组合优化和金融风险管理中，尽可能准确地提供不确定性和风险的度量至关重要。我们建议使用混合向量自回归（MVAR）模型进行投资组合优化。MVAR模型结合了依赖于过程最近历史的分布的混合物，可以适应多变量时间序列数据中的不对称性、多模态性、异方差性和交叉相关性。对于正态成分的混合，我们利用多元正态分布的一个性质，得到了资产组合收益率的条件预测分布的显式公式。在展示了该方法的工作原理之后，我们对真实的股票收益数据与其他相关的多元时间序列模型进行了比较。
2022-09-15 stat.ME
Spatial Correlation in Weather Forecast Accuracy: A Functional Time Series Approach
一个功能时间序列的方法，提出了调查的空间相关性在美国各地的111个城市的每日最高温度预报误差的空间相关性的建模是最富有成效的较长的预测视野，并成为不太相关的预测视野缩小到零。对于未来6天的预测，函数方法揭示了可解释的区域空间效应，并捕捉到内陆城市与沿海城市相比观察到的较高方差，以及在山区和中西部各州观察到的较高方差。函数方法也自然地处理缺失数据，通过建模的连续，并可以有效地实现利用B样条基引起的稀疏性。数据的时间依赖性通过函数基系数的时间依赖性来建模。独立的一阶自回归广义自回归条件异方差[AR（1）+GARCH（1，1）]和Student-t新息的工作以及捕捉的基础系数随时间的持续性和季节性异方差反映较高的方差在冬季。通过利用基系数的自相关性，函数时间序列方法还产生了一种用于改进天气预报和不确定性量化的方法。由此产生的方法纠正了天气预报中的偏差，同时减少了误差方差。
2021-11-22 stat.ME
Modeling of Volatility with Non-linear Time Series Model
本文利用非线性时间序列模型来描述金融时间序列数据的波动性。为了描述波动性，将两个非线性时间序列组合成具有非对称条件异方差误差项的门限自回归模型（TAR），并对其参数估计进行了研究。
2014-07-03 math.PR math.ST q-fin.ST
ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
提出ProbRes，一种事后概率校准方法，通过显式学习波动率动态来改进概率预测，有效处理异方差数据，并在理论和实验上验证其有效性。
2026-06-01 cs.LG stat.ME stat.ML
Statistical characterization and time-series modeling of seismic noise
开发地震噪声的统计模型在地震数据分析中是一项很有价值的工作，因为这些模型在检测地震事件的开始方面起着关键作用。这些模型中的大多数通常建立在某些关键假设上，即平稳性，线性和高斯性。尽管他们的关键性，很少有文献报道存在验证这些假设的真实地震数据。这项工作的目标是（一）批判性地研究这些长期持有的假设和（二）提出一个系统的程序，开发适当的时间序列模型。严格的统计分析表明，这些标准假设并不适用于研究中的大多数数据集;相反，它们表现出额外的特殊特征，如异方差性和整合效应。基于这些新发现，本文建立了地震噪声的ARIMA-GARCH模型。对不同时间间隔的$185$实时数据集进行了研究，以研究噪声特征和模式结构的每日和季节变化。几乎所有数据集的一阶非平稳性、异方差性和高斯性检测结果均为阳性，而$19\%$的线性检测结果为阴性。还分析了所开发的模型的结构均匀性的每日和季节变化。
2020-09-03 stat.ME
Forecasting Natural Gas Prices with Spatio-Temporal Copula-based Time Series Models
商品价格时间序列具有重尾性、偏态性、异方差性和非线性相关性等特征。这些特征对建模和预测提出了挑战。在这项工作中，我们将探讨如何时空copula为基础的时间序列模型可以有效地用于这些目的。我们专注于化石燃料和碳排放的价格序列。此外，我们说明了如何在条件异方差建模中使用的t-Copula。在这种情况下，可能出现的非椭圆概率预测检查和可视化。讨论了在非椭圆概率预报下，如何找到一个合适的点预报的问题。我们提出了一个解决方案，其中预测与人工神经网络（ANN）增强。人工神经网络预测最好的（在MSE意义上）分位数用作点预测。在预测研究中，我们发现基于copula的模型是有竞争力的。
2023-01-09 stat.AP
Model-based fuzzy time series clustering of conditional higher moments
本文提出了一种新的时间序列聚类方法，该方法考虑了异方差性、非正态性和模型的非线性。在这个目标下，我们采用模糊方法。具体而言，考虑到动态条件得分（DCS）模型，我们提出了聚类时间序列根据其估计的条件矩通过自相关的模糊C均值（A-FCM）算法。DCS参数化建模因其通用性和计算可行性而备受关注。所提出的程序的有用性说明了使用模拟数据和金融时间序列的几个实证应用的实验假设线性和非线性模型的规格和几个假设下的时间序列密度函数。
2021-04-01 stat.ME
Conditional Independence Testing with Heteroskedastic Data and Applications to Causal Discovery
针对异方差数据，提出改进的偏相关条件独立性检验，结合专家知识，在因果发现中优于标准检验且保持理论一致性。
2023-06-20 stat.ME stat.ML
Large-Scale Multiple Testing of Composite Null Hypotheses Under Heteroskedasticity
针对异方差下复合零假设多重检验的功效损失与第一类错误失控问题，提出整合方差辅助信息、基于改进非参数经验贝叶斯反卷积的HAMT流程，理论证明其FDR控制渐近有效最优，仿真与移动游戏用户检测应用验证其功效更优。
2024-10-23 stat.ME
Testing Many Restrictions Under Heteroskedasticity
我们提出了一个假设检验，允许在异方差线性回归模型的许多测试的限制。该测试比较了传统的F统计量的临界值，纠正了许多限制和条件异方差。这种修正使用留一估计来正确地集中临界值和留三估计来适当地缩放它。检验的大样本性质建立在渐近框架中，其中检验限制的数量可以是固定的，也可以随着样本大小而增长，甚至可以与观测值的数量成比例。我们表明，该测试是渐近有效的，并有非平凡的渐近权力对相同的本地替代品的确切F测试时，后者是有效的。模拟证实了这些理论研究结果，并建议在适度的小样本，即使在强异方差下，良好的尺寸控制。
2023-01-23 econ.EM stat.ME
Testing for Regression Heteroskedasticity with High-Dimensional Random Forests
高维回归异方差性的统计推断是一个重要但尚未充分研究的问题。本文旨在填补这一空白，提出了两个测试，即方差差检验和方差差Breusch-Pagan检验，用于评估高维回归异方差性。前者测试一个感兴趣的解释性特征是否与一个响应变量的条件方差相关，而后者测试回归中的异方差性，这被称为Breusch-Pagan测试问题。为了正式建立测试，我们推导出严格的P值和测试大小，并分析了高维输入特征的非参数异方差数据生成模型下的测试能力。这样的模型设置考虑到高维应用程序的灵活结构的异方差性和功能具有相互作用的影响的平均值的响应，这些是常见的应用程序在许多领域，如生物学。我们的方法利用机器学习均值预测方法，如随机森林，并使用仿制品变量作为阴性对照。特别是，我们的检验统计量的仿冒品定义比仿冒品的原始定义更加灵活，我们对这两个定义进行了详细比较，并讨论了我们的仿冒品的优势。模拟结果和HIV（人类免疫缺陷病毒）的案例研究说明了所提出的测试令人满意的经验性能。
2022-12-05 stat.ME
On Robust Inference in Time Series Regression
针对时间序列回归中OLS-HAC推断的四个主要缺陷，提出简单易行的DURBIN动态回归程序，通过模拟验证其能有效避免这些问题，提升推断稳健性。
2024-05-27 econ.EM stat.AP
Generalized Autoregressive Moving Average Models with GARCH Errors
广义自回归模型平均模型（GARMA）是一类重要且广泛使用的非高斯时间序列模型，它为基础时间序列的条件均值过程指定了ARMA结构。然而，在许多应用中，人们经常遇到条件异方差。在本文中，我们提出了一类新的模型，称为GARMA-GARMA模型，共同指定的条件均值和条件方差过程的一般非高斯时间序列。在一般的建模框架下，我们提出了三个具体的模型，作为例子，比例时间序列，非负时间序列，和倾斜和重尾金融时间序列。采用极大似然估计和拟高斯极大似然估计进行参数估计。仿真研究和三个应用程序被用来证明模型和估计程序的属性。
2021-05-12 econ.EM stat.ME
Adaptive LAD-Based Bootstrap Unit Root Tests under Unconditional Heteroskedasticity
本文针对无条件异方差和序列依赖下的单位根检验，提出一种自适应块自举LAD方法，解决了经典检验的尺寸扭曲问题并在重尾分布下展现出更优的检验功效。
2024-10-17 stat.ME
Testing for Peer Effects in Heteroskedastic Fixed-Effects Panels
Tsinghua University（清华大学）；Beijing Normal University（北京师范大学）
本文针对交互网络未明确指定的异方差固定效应面板，提出一种基于杠杆调整的二次型检验，经蒙特卡洛验证其性能优于现有基准，可用于州际税收竞争等实际场景的同伴效应检验。
2026-10-15 stat.ME
Theory of Evolutionary Spectra for Heteroskedasticity and Autocorrelation Robust Inference in Possibly Misspecified and Nonstationary Models
本文针对可能非平稳的经济时间序列，提出具有时变谱表示的演化谱理论，并构造双核 HAC（DK-HAC）估计量，以改善异方差和自相关稳健推断的尺寸控制与检验功效。
2024-08-07 econ.EM math.ST stat.TH
Dealing with Stochastic Volatility in Time Series Using the R Package stochvol
R包stochvol在随机波动率的框架内提供了异方差建模的完全贝叶斯实现。它利用马尔可夫链蒙特卡罗（MCMC）采样器进行推理，通过从参数和潜变量的后验分布中获得结果，然后可以用于预测未来的波动率。该软件包可以直接作为一个独立的工具，而且，它可以很容易地纳入其他MCMC采样器。本文的主要重点是展示stochvol的功能。此外，它还提供了模型的简要数学描述、所用抽样方案的概述以及使用汇率数据的几个说明性例子。
2019-06-28 econ.EM q-fin.CP q-fin.ST
Artificial neural networks and time series of counts: A class of nonlinear INGARCH models
本文将INGARCH模型与人工神经网络响应函数结合，提出一类非线性INGARCH模型，并证明其在信息损失指标上优于现有退化竞争模型。
2023-04-03 econ.EM stat.ME stat.ML
Testing for integer integration in functional time series
School of Economics, University of Sydney（悉尼大学经济学院）；Department of Actuarial Studies and Business Analytics, Macquarie University（麦考瑞大学精算研究与企业分析系）
本文提出了一种检验功能时间序列是否为整数积分阶的统计方法，并通过实证数据验证了其有效性。
2026-01-02 stat.ME
A Necessary and Sufficient Condition for Size Controllability of Heteroskedasticity Robust Test Statistics
University of Vienna（维也纳大学）；WU Vienna University of Economics and Business（维也纳经济与商业大学）
针对回归模型中单个约束检验，给出了异方差稳健检验统计量尺寸可控性的充要条件，改进了现有仅充分条件的结果。
2026-06-19 econ.EM math.ST stat.ME
Bayesian Testing Of Granger Causality In Functional Time Series
本文提出多元函数型自回归模型，结合贝叶斯动态线性模型与贝叶斯因子检验格兰杰因果，并应用于金融收益率曲线和气候污染物数据。
2021-12-31 q-fin.ST stat.AP stat.ME
A Bayesian Non-Stationary Heteroskedastic Time Series Model for Multivariate Critical Care Data
通过对标准状态空间模型的观测值方差进行修正，提出了一种适用于非平稳健康时间序列的多变量GARCH模型。该模型提供了一种直观的方式处理异方差数据使用状态空间模型的条件性质。我们遵循贝叶斯范式来执行推理过程。特别地，我们使用马尔可夫链蒙特卡罗方法从所得的后验分布中获得样本。由于模型参数具有自然的时间相关结构，我们采用前向滤波后向采样算法从后验分布中有效地获取样本。所提出的模型还处理缺失数据在一个完全贝叶斯的方式。我们验证我们的模型合成数据，然后用它来分析从重症监护病房在蒙特利尔医院的数据集。我们进一步表明，我们提出的模型提供了更好的性能，WAIC方面，比标准的状态空间模型。该模型提供了一种新的方法来模拟多元异方差非平稳时间序列数据和简单的应用WAIC允许我们比较竞争模型。
2023-03-15 stat.AP stat.ME
Overidentification testing with weak instruments and heteroskedasticity
本文比较弱工具变量与异方差下KP秩检验与J检验，证明KP更优，并应用于EIS估计，指出J过度拒绝导致估计差异，推荐使用KP检验。
2025-09-25 econ.EM stat.ME
Variational Bayes Estimation of Discrete-Margined Copula Models with Application to Time Series
我们提出了一个新的变分贝叶斯估计高维copula离散，或离散和连续的组合，利润。该方法是基于一个易于处理的增强后变分近似，是比以前的似然为基础的方法更快。我们用它来估计单变量和多变量马尔可夫顺序和混合时间序列的可绘制的藤连接。这些具有维度$rT$，其中$T$是观测的数量，$r$是序列的数量，并且难以使用先前的方法进行估计。葡萄藤对连接被仔细地选择以允许异方差性，这是大多数有序时间序列数据的特征。当与灵活的裕度结合使用时，所产生的时间序列模型还考虑到有序数据的其他共同特征，如零通货膨胀、多模式和分散不足或过度。使用六个例子系列，我们说明了时间序列Copula模型的灵活性，以及高达792个维度和60个参数的Copula的变分贝叶斯估计的有效性。这远远超过了Copula模型的规模和复杂性，可以使用以前的方法估计离散数据。
2018-07-20 econ.EM stat.ME stat.ML
Spatial disaggregation of time series
University of the Balearic Islands（巴利阿里群岛大学）；Artificial Intelligence Research Institute of the Balearic Islands (IAIB)（巴利阿里群岛人工智能研究所）；Health Research Institute of the Balearic Islands (IdISBa)（巴利阿里群岛健康研究所）；Data Modelling and Statistical Learning (MoDAE)（数据建模与统计学习）
针对传统时间分解方法忽略空间依赖性的问题，提出整合空间自回归模型、基准约束和辅助协变量的时空分解方法，通过锚定机制处理部分观测数据，经模拟和西班牙GDP分解验证，可提供准确区域估计并处理空间溢出与不规则数据。
2025-11-17 stat.ME
Valid Heteroskedasticity Robust Testing
本文针对异方差稳健检验中常规临界值导致水平扭曲的问题，提出使用最小尺寸控制临界值，证明其存在性并给出可检验条件，同时提供数值求解算法和软件实现，以兼顾检验有效性与功效。
2023-07-07 econ.EM math.ST stat.CO
Lasso Inference for High-Dimensional Time Series
在本文中，我们开发了有效的推理高维时间序列。我们扩展的desparsified套索的时间序列设置下的近时代依赖性（NED）的假设，允许非高斯，连续相关和heteroskedastic过程中，回归的数量可能会增长得比时间维度更快。我们首先推导出弱稀疏性下的误差界，再加上NED假设，这意味着这个不等式也可以应用于在解parsified lasso中执行的（固有错误指定的）逐节点回归。这使我们能够在一般条件下，包括增加尺寸的参数的推断，建立一致的渐近正态性的desparsified套索。此外，我们还证明了长期方差估计的一致性，从而提供了一套完整的工具，用于在高维线性时间序列模型中进行推断。最后，我们进行了模拟练习，以证明在常见的时间序列设置的解parsified套索的小样本属性。
2022-09-01 econ.EM math.ST stat.TH
Testing High-dimensional Nonstationary Time Series
该研究建立高维非平稳时间序列样本相关矩阵极端特征值的联合中心极限定理与渐近谱性质，提出新型高维单位根检验及前向序贯检验法，并通过高维购买力平价假说实证验证理论结果。
2025-08-03 stat.ME
Testing for stationarity of functional time series in the frequency domain
对功能性时间序列的兴趣在最近的过去急剧上升，涉及方法和应用的论文以更快的速度出版。本文基于频域方法提出了一种新的函数型时间序列平稳性检验方法。建议的检验统计量是基于联合降维通过功能主成分分析在所有傅立叶频率的频谱密度运营商，明确允许频率依赖的截断水平，以适应潜在的功能时间序列的动态。检验的性质都来自平稳功能时间序列的原假设下和局部平稳功能时间序列的光滑替代。该方法是理论上合理的渐近结果。从模拟研究和应用到年温度曲线的证据表明，测试工作在有限的样本。
2019-04-29 stat.ME
Softplus and Neural Architectures for Enhanced Negative Binomial INGARCH Modeling
本研究提出sp NB-INGARCH模型并确立其平稳性与参数估计方法，进一步提出适配中度非平稳计数时间序列的neu-NB-INGARCH模型，经仿真与医疗数据验证有效，丰富了该领域理论与应用。
2025-01-18 stat.CO stat.ME
Measuring General Associations in Time Series: An Adaptation and Empirical Evaluation of the CODEC Coefficient in Determining Autoregressive Dynamics
本研究改编CODEC系数为模型无关的滞后选择工具，通过模拟和基准数据验证，其在非线性和非平稳时间序列中优于传统相关度量，为自回归动态识别提供实用方法。
2025-09-07 stat.CO stat.ME
Forecasting Short-term load using Econometrics time series model with T-student Distribution
随着现代电力系统的显著进步，机组组合规划和电力调度成为研究者关注的两大问题。短期负荷预测在电力系统的规划和调度中起着重要的作用。近年来，人们在短期负荷预测方面做了大量的工作。具有用于预测负荷的准确模型可以有利于优化电源和保护能量。为了提高负荷预测的准确性，采用了人工智能、统计模型等多种模型。在统计模型中，时间序列模型表现出了很好的性能。本文将自回归积分滑动平均（SARIMA）-广义自回归条件异方差（GARCH）模型作为描述具有T-学生分布的时间序列的条件均值和波动性的有力工具，用于短期电力负荷预测。并与正态分布的ARIMA模型进行了比较。最后，所提出的方法的有效性进行了验证，应用实际的电力负荷数据从得克萨斯州电力可靠性委员会（ERCOT）。关键词：电力负荷，预测，计量经济学时间序列预测，SARIMA
2020-09-28 cs.SY eess.SY q-fin.ST
Testing Serial Independence of Object-Valued Time Series
提出基于度量空间自距离协方差的非参数方法检验对象值时间序列序列独立性，构造Cramer-von Mises检验统计量并利用wild bootstrap确定临界值，有效捕捉所有非线性成对依赖关系。
2023-07-27 stat.ME
Change-Point Testing for Risk Measures in Time Series
本文提出弱相依时间序列中期望短缺等风险度量非参数估计量的多变点检验方法，利用自归一化避免标准误估计，并基于函数中心极限定理，实证用于检测金融收益率尾部不稳定性。
2025-10-05 econ.EM stat.ME
Testing the constancy of Spearman's rho in multivariate time series
提出了一类对多变量时间序列的横截面秩相关变化特别敏感的变点检测检验。派生的程序是基于斯皮尔曼的ρ的几个多元扩展。研究了两种检验方法：第一种是基于回归的检验，第二种是估计渐近零分布。证明了这两种方法在零点下对强混合观测的渐近有效性。提出了一种用于估计这两种方法中涉及的关键带宽参数的程序，使得导出的测试无参数。通过蒙特卡罗实验研究了它们的有限样本行为。最后给出了三变量财务数据的实例。
2015-02-26 stat.ME
Testing unit root non-stationarity in the presence of missing data in univariate time series of mobile health studies
本文针对移动健康时间序列中的缺失数据问题，提出基于状态空间模型的最大似然估计与多重插补方法以改进ADF单位根检验，并开发MNAR敏感性分析技术，通过模拟和双相情感障碍患者智能手机研究验证其有效性。
2022-10-10 stat.ME
Beta regression for time series analysis of bounded data, with application to Canada Google${}^\circledR$ Flu Trends
在实际应用中经常会遇到由比率或比例组成的有界时间序列。本文提出了一种实用的方法来分析有界时间序列，通过贝塔回归模型。该方法允许直接解释的回归参数的原始响应规模，同时适当占异方差典型的有界变量。序列相关性由高斯Copula建模，相关矩阵对应于平稳的自回归和移动平均过程。它表明，推理，预测和控制可以直接进行，与自回归和移动平均模型的标准分析的微小修改。该方法的动机是应用于Google ${}^\circledR$ Flu Trends项目估计的流感样疾病发病率。
2014-04-14 stat.AP
White noise testing for functional time series via functional quantile autocorrelation
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Macquarie University（麦考瑞大学）
本文提出了一种新的非线性检验方法，用于检测功能时间序列中的序列依赖性，基于功能分位数自相关框架，具有鲁棒性，能处理潜在的异常值和复杂非线性依赖。
2026-05-09 stat.ME
Testing relevant hypotheses in functional time series via self-normalization
在本文中，我们开发的方法来测试有关的假设功能时间序列的调谐自由的方式。而不是测试的确切平等，例如从两个独立的时间序列的两个平均函数的平等，我们建议测试的原假设没有相关的偏差。在两个样本问题中，这意味着两个均值函数之间的$L^2$距离小于预先指定的阈值。对于这样的假设，Shao（2010）和Shao和Zhang（2010）引入的自归一化通常用于避免估计讨厌的参数，不直接适用。我们发展了新的自规范化程序来检验单样本、双样本和变点问题中的相关假设，并研究了它们的渐近性质。通过模拟研究和数据实例说明了所提出的测试的有限样本性质。我们的主要重点是功能时间序列，但扩展到其他设置也简要讨论。
2020-02-20 math.ST stat.ME stat.TH
A novel decomposed-ensemble time series forecasting framework: capturing underlying volatility information
University of Science and Technology of China（中国科学技术大学）
本文提出一种结合Variational Mode Decomposition分解与GARCH波动率提取的分解-集成时间序列预测框架，利用神经网络融合数值与波动率信息，显著降低了MSE、RMSE和MAPE。
2023-11-29 cs.LG stat.ME
A robust approach for testing parameter change in Poisson autoregressive models
参数变化检验一直是时间序列分析中的一个重要问题。在整数值时间序列领域中也积极地探索了这个问题，但是在异常值存在的情况下的测试还没有被广泛地研究。本文研究了Poisson自回归模型中参数变化的检验问题，特别是当观测值被异常值污染时。为了减少异常值对检验过程的影响，我们提出了一种基于Basu等人（Biometrika，1998）提出的密度幂散度的检验方法，并推导了其极限零分布。蒙特卡罗模拟结果表明了该方法的有效性和较强的鲁棒性。
2019-08-29 stat.ME
Two-Sample Testing for Event Impacts in Time Series
在许多应用领域中，监测时间序列以检测极端事件，如技术故障、自然灾害或疾病爆发。不幸的是，选择提供事件信息的时间序列和强大的检测算法两者通常是不平凡的：检测可能会失败，因为检测算法不合适，或者因为在时间序列和感兴趣的事件之间没有共享信息。因此，在这项工作中，我们提出了一个非参数的统计测试之间的共享信息的时间序列和一系列的观察到的事件。我们的测试允许识别携带事件发生信息的时间序列，而无需采用特定的事件检测方法。简而言之，我们测试的时间序列的值分布的分歧，在事件发生后的多个双样本测试方法增加滞后。与相关的测试相比，我们的方法适用于任意域上的时间序列，包括多变量数值、字符串或图形。我们进行了大规模的模拟研究，以表明它优于或等同于我们的任务单变量时间序列的相关测试。我们还展示了我们的方法在社交媒体和智能家居环境数据集上的现实适用性。
2020-01-31 stat.ME stat.ML
On testing for independence between generalized error models of several time series
United Arab Emirates University（阿联酋大学）；Université de Montréal（蒙特利尔大学）；HEC Montréal（蒙特利尔高等商学院）
本文提出用于检验广义误差模型间独立性的统计量，扩展了之前关于随机波动模型的结果，并通过数值实验和实际应用展示方法的有效性。
2026-05-14 stat.ME
Structural Breaks in Time Series
本章涵盖与涉及结构变化的模型的估计、检验和计算有关的方法问题。我们的目的是审查的发展，因为它们涉及到计量经济学应用的基础上线性模型。已经取得了实质性的进展，以涵盖模型的一般性水平，允许一系列有趣的实际应用。这些模型包括具有一般平稳回归量和误差的模型，这些模型可以表现出时间依赖性和异方差性，具有趋势变量和可能的单位根的模型和协整模型等。已经取得了进展有关的计算方面的建设估计，其极限分布，结构变化的测试，以及方法，以确定目前的变化数量。涵盖了各种主题。第一部分总结和更新了早期评论Perron（2006）中描述的发展，其中的论述主要是Perron（2008）的论述。新增内容包括最近的发展：测试常见的休息，模型与内源性回归（强调简单地使用最小二乘是最好的工具变量方法），分位数回归，方法的基础上拉索，面板数据模型，测试的变化预测精度，因素模型和推理方法的基础上连续记录渐近框架。我们的重点是所谓的离线方法，其中一个要回顾性地测试在一个给定的数据样本中的中断，并形成关于中断日期的置信区间。其目的是为读者提供一个概述的方法，是在实践中直接有用的，而不是问题，主要是理论上的兴趣。
2018-05-10 econ.EM stat.ME
Vector Time Series Modelling of Turbidity in Dublin Bay
浊度作为一项重要的水质指标经常被监测。人类活动，如疏浚和倾倒作业，可能会破坏浊度水平，应监测和分析可能的影响。在本文中，我们在都柏林湾的浊度随时间和空间的变化进行建模，调查倾倒和疏浚的影响，同时控制风速的影响，作为一种常见的大气效应。我们开发了一种新的向量自回归条件异方差（VRESS）方法来模拟不同位置和不同水深的浊度的动态行为。我们使用2017-2018年期间的每日浊度值来拟合模型。我们表明，我们的拟合模型的结果与观测数据一致，并通过贝叶斯可信区间测量的不确定性，很好地校准。此外，我们表明，疏浚和倾倒对浊度的日常影响是可以忽略不计的风速相比。
2022-09-14 stat.AP
Testing for explosive bubbles: a review
本文综述了时间序列中爆炸气泡的检测方法。大量的最近开发的测试方法下的各种假设创新的错误。审查还考虑了爆炸（气泡）制度的方法。特别注意的是致力于随时间变化的波动性的错误。此外，建模与爆炸制度的时间序列之间可能存在的关系进行了讨论。
2022-07-17 econ.EM stat.AP stat.ME
Time series modeling by a regression approach based on a latent process
Compiègne University of Technology（贡比涅技术大学）；French National Institute for Transport and Safety Research (INRETS)（法国国家运输与安全研究所（INRETS））
时间序列用于许多领域，包括金融、工程、经济和生物信息学，通常用于表示测量随时间的变化。然后，可以使用建模技术来给出这种数据的合成表示。提出了一种新的时间序列建模方法。它包括一个回归模型，其中包含一个离散的隐藏逻辑过程，允许平滑或突然激活不同的多项式回归模型。通过专用期望最大化（EM）算法执行的极大似然方法估计模型参数。期望最大化算法的M步使用多类迭代重加权最小二乘（IRLS）算法来估计隐藏的过程参数。为了评估所提出的方法，模拟数据和真实世界的数据进行了实验研究，使用两种替代方法：异方差分段回归模型，使用基于动态规划的全局优化算法，和隐马尔可夫回归模型，其参数估计的鲍姆-韦尔奇算法。最后，在法国铁路基础设施的组件的远程监控的背景下，更特别的开关机制，所提出的方法已被应用到建模和分类的时间序列表示在开关操作过程中获得的条件测量。
2013-12-25 cs.LG math.ST stat.ME
Testing for Parallelism Between Trends in Multiple Time Series
本文研究了多个非平稳时间序列的趋势推断问题。为了检验趋势是否相互平行，我们使用了基于非参数趋势估计量与其平均值之间的L2距离的平行性指数。得到了检验统计量的中心极限定理，并建立了检验的相合性。我们提出了一个基于模拟的近似分布的检验统计量，显着改善后的正常近似。该测试也适用于设计一个聚类算法。最后，有限样本的测试性能进行评估，通过模拟和测试方法说明了时间序列从摩托罗拉手机活动在美国。
2011-05-24 math.ST stat.ME stat.TH
Goodness-of-Fit Testing for Time Series Models via Distance Covariance
在许多统计建模框架中，通常对估计残差进行拟合优度检验。在时间序列设置中，使用样本自相关函数评估残差的白度。对于许多时间序列模型，特别是那些用于金融时间序列的模型，关于残差的关键假设是它们实际上是独立的，而不仅仅是不相关的。在本文中，我们应用自距离协方差函数（ADCV）来评估估计残差的序列相关性。距离协方差可以区分两个随机向量的相依性和独立性。对于一般的一类时间序列模型，导出了基于ADCV的检验统计量的极限行为。该理论的一个关键方面是调整由于参数估计而产生的相关性。无论型号规格如何，该调整基本上具有相同的形式。我们在模拟的例子中说明了结果。
2019-03-02 math.ST stat.ME stat.TH
Time Series Analysis of Rankings: A GARCH-Type Approach
本文提出一类受GARCH启发的时变排名模型，用Mallows分布刻画排名动态并引入自回归与反馈成分，建立平稳性与遍历性理论，并通过蒙特卡洛EM算法处理缺失数据，最后应用于职业网球运动员周排名分析。
2025-02-07 stat.CO stat.ME stat.ML
High-dimensional Gaussian Graphical Model Testing for Long-Memory Time Series
University of Chicago（芝加哥大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对长记忆高维时间序列，提出数据自适应的条件独立性检验统计量，建立有限样本高斯近似界，采用块自助法，并应用于fMRI数据分析脑功能连接。
2026-11-06 math.ST stat.ME stat.ML
