The Method of Normalized Correlations - A Fast Alternative to Maximum Likelihood Estimation for Random Processes and Isotropic Random Fields with Short-Range Dependence
由于所提交期刊的版权政策，本文已被作者撤回。
2008-02-13 stat.CO stat.ME
On Dependent Dirichlet Processes for General Polish Spaces
我们研究了基于Dirichlet过程的预测依赖的概率分布的集合的模型，其中域和预测空间是一般的波兰空间。我们推广的依赖Dirichlet过程的定义，最初构造在欧几里得空间，更一般的波兰空间。我们提供了充分条件，在此条件下，依赖Dirichlet过程有吸引力的性质，关于连续性（弱和强），关联结构，和支持（在不同的拓扑结构）。在独立同分布下，我们还给出了由依赖Dirichlet过程诱导的混合模型具有强连续性、关联结构、支持度和弱相合性的充分条件.响应和预测变量的抽样。结果可以很容易地推广到更一般的相依断棒过程。
2022-05-11 math.ST stat.TH
Reduction principles for quantile and Bahadur-Kiefer processes of long-range dependent linear sequences
本文考虑长程相依线性序列的分位数和Bahadur-Kiefer过程。与以往研究不同的是，这些过程在整个间隔$(0,1)$上考虑。众所周知，分位数过程在尾部可能具有非常不稳定的行为。我们克服了这个问题，考虑这些过程与适当的权函数。通过这种方式，我们得出强近似，产生一些不与i.i.d.共享的显着现象。序列，包括Bahadur-Kiefer过程的弱收敛，一般和一致Bahadur-Kiefer过程的不同逐点行为，以及一般分位数过程的有点“奇怪”的行为。
2008-02-07 math.ST stat.TH
Bahadur--Kiefer theory for sample quantiles of weakly dependent linear processes
本文建立了一类弱相依线性过程的样本分位数的Bahadur-Kiefer表示。近似速率与i.i.d.相同。序列，因此是最优的。
2007-11-28 math.ST stat.TH
Statistical learning for $ψ$-weakly dependent processes
考虑$ψ$ -弱相依过程的统计学习问题，它统一了一大类弱相依条件，如混合、缔合、$\cdots$，建立了经验风险最小化算法的一致性.我们推导出的推广界，并提供学习率，其中，在一些H{<$}lder类的假设，是接近于通常的$O(n^{-1/2})$中得到的{ \it i.i.d.}案子应用到时间序列预测进行了一个例子的因果模型与外生协变量。
2022-09-30 math.ST stat.TH
Correction. Strong invariance principles for sequential Bahadur--Kiefer and Vervaat error processes of long-range dependent sequences
对《统计年鉴》（2006年）34，1013- 1044的更正[URL：http：//projecteuclid.org/euclid.aos/1151418250]
2008-03-28 math.ST stat.TH
Change detection in INAR(p) processes against various alternative hypotheses
INAR（p）过程的新息分布的系数或均值的变化是扰动的一个信号，对检测扰动很重要。本文的方法可以分别测试这些量中的任何一个或它们的任何集合的变化。它们以使单侧检验成为可能的形式提供，此外，它们可用于测试临时变化。该测试是基于一个CANUUM过程中使用的参数的条件最小二乘估计。在备择假设下，证明了检验的相合性，并探讨了变点估计的大样本性质。
2012-09-15 math.PR math.ST stat.TH
Spectral estimation for non-linear long range dependent discrete time trawl processes
离散时间拖网过程是一类由拖网序列（a j）j $\in$ N参数化的时间序列，通过独立同分布（i.i.d.）一个连续时间进程（$γ$（t））t $\in$ R的拷贝称为种子进程。它们为线性或非线性长程相关时间序列建模提供了一个通用框架。我们调查的谱估计，无论是逐点或宽带，远程依赖离散时间拖网过程。由各种种子过程和拖网顺序引起的困难是双重的。首先，谱密度可以采取不同的形式，通常包括平滑的附加校正项。第二，具有相似谱密度的拖网过程可能表现出非常不同的统计行为。我们证明了我们的估计在非常一般的条件下的一致性，我们表明，一类广泛的拖网过程满足他们。这是通过引入一个加权的弱依赖指数，可以独立的利益。宽带谱估计器包括长记忆参数的估计器。我们完成这项工作的数值实验，以评估有限的样本量的性能，这种估计为各种整数值离散时间拖网过程。
2020-01-08 math.ST stat.TH
Strong invariance principles for sequential Bahadur--Kiefer and Vervaat error processes of long-range dependent sequences
本文研究长程相依序列的序列一致和一般Bahadur-Kiefer过程的强逼近（不变原理）。我们还研究了序列Vervaat过程的强和弱渐近行为，即整合的序列Bahadur-Kiefer过程，适当规范化，以及它的偏离其极限过程，所谓的Vervaat误差过程。Bahadur-Kiefer误差过程和Vervaat误差过程在独立同分布下不能弱收敛。案子与此相反，我们得出结论，Bahadur-Kiefer和Vervaat错误过程，以及它们的序列版本，不弱收敛到一定的长程相关序列的Dehling-Taqqu型极限过程。
2006-07-03 math.ST stat.TH
Testing for change-points in long-range dependent time series by means of a self-normalized Wilcoxon test
我们提出了一种基于Wilcoxon双样本检验统计量的检验方法，以检验长期相关数据均值的变点。我们表明，相应的自归一化检验统计量收敛于分布的非退化限制的假设下，没有发生变化，它发散到无穷大下的一个变点与恒定的高度的替代。在局部替代下，即假设水平移动的高度随着样本量的增加而减小，我们得到了自归一化Wilcoxon检验统计量的渐近分布.关于有限样本性能，模拟结果证实，自归一化Wilcoxon检验在假设和替代之间产生一致的区分，并且其经验大小已经接近中等样本量的显着性水平。
2014-09-09 math.ST stat.TH
Weak convergence of the sequential empirical copula processes under long-range dependence
我们考虑高斯从属下的多元基于Copula的平稳时间序列。观测到的时间序列服从长程相关的高斯过程，其特征在于任意的边际copula分布。首先，我们建立了多元平稳长程相依序列在高斯从属下的边际和分位数边际经验过程的极限定理。在非限制性光滑性假设下，建立了序列经验copula过程的渐近性态。在长记忆序列的情况下，极限过程与i.i.d.的情况完全不同。弱相关的观测
2018-03-15 math.ST stat.TH
Data-driven semi-parametric detection of multiple changes in long-range dependent processes
本文研究了长相关过程的离线多变化检测问题。假设观测值满足半参数长程相关假设，每个阶段具有不同的记忆参数。一个惩罚的本地Whittle对比度被认为是估计所有的参数，特别是变化的数量。得到了一致性和收敛速度。Monte-Carlo实验证明了估计量的准确性。他们还表明，通过使用一个数据驱动的斜率启发式程序的惩罚参数的选择，改善了休息的数量的估计。
2018-12-29 math.ST stat.TH
Adaptive estimation of the conditional intensity of marker-dependent counting processes
在这项工作中，我们提出了一个原始的估计的条件强度的标记依赖的计数过程，也就是说，一个计数过程与协变量。我们使用模型选择方法，并提供了一个非渐近界的风险，我们的估计在一个紧集。我们表明，我们的估计自动达到一个收敛速度在一个功能类与给定的（未知）各向异性的规律。然后，我们证明了一个下界，建立这个速率是最优的。最后，我们提供了一个简短的说明的方式估计的工作环境中的条件风险估计。
2008-10-23 math.ST stat.TH
Short-range dependent processes subordinated to the Gaussian may not be strong mixing
有各种各样的弱依赖。例如，强混合。短程相关（SRD）也是弱相关的一种形式。它发生在从属于高斯过程的背景下。如果高斯过程是长程相关的，那么SRD过程是强混合的吗？我们表明，这是不一定的情况下。
2015-08-19 math.PR math.ST stat.TH
Bootstrap for the Sample Mean and for U-Statistics of Mixing and Near Epoch Dependent Processes
对强混合数据的样本均值，证明了各种Bootstrapping方法的有效性。但在许多应用中，出现了非强混合过程的非线性统计。本文研究了非重叠块bootstrap序列，它们依赖于强混合过程或绝对正则过程。这包括ARMA和GARCH过程以及来自混沌动力系统的数据。我们不仅证明了样本均值的Bootstrap分布估计量的强相合性，而且证明了U-统计量的Bootstrap分布估计量的强相合性，其中包括Gini均值差和卡方检验统计量。
2011-07-27 math.PR math.ST stat.TH
Poisson process approximation for dependent superposition of point processes
关于点过程叠加到泊松过程的弱收敛性的研究，虽然可以追溯到Grigelionis在1963年的工作，但Schuhmacher [随机过程. 115（2005）1819- 1837]得到了弱收敛的误差界。Schuhmacher考虑了相关叠加，将单个点过程截断为0- 1点过程，然后将Stein方法应用于后者。在本文中，我们采用了不同的方法来解决这个问题，通过使用Palm理论和Stein的方法，从而表示的误差界的平均措施的个别点过程，这是不可能与Schuhmacher的方法。我们认为局部相依叠加是Chen和Xia [Ann. Probab. 32（2004）2545--2569]，并将主要定理应用于稀疏点过程和更新过程的叠加。
2011-05-09 math.PR math.ST stat.TH
Adjustment coefficient for risk processes in some dependent contexts
在Muller和Pflug的文章之后，我们研究了破产理论在时间依赖下的调整系数。我们提供了一个一致的估计这个系数，并进行了一些模拟。
2009-01-01 math.PR math.ST stat.AP
A Generalization of a Gaussian Semiparametric Estimator on Multivariate Long-Range Dependent Processes
在长相依多元时间序列的背景下，本文提出并研究了分数阶差分参数的一类广义高斯半参数估计。我们建立大样本性质的估计，而不假设高斯。这里考虑的一类模型满足简单的条件的频谱密度函数，限制在一个小的邻域的零频率，包括重要的VARFIMA过程。我们还提出了一个模拟研究，以评估所提出的估计的有限样本属性的基础上平滑版本的GSE，支持其竞争力。
2013-05-22 math.ST stat.OT stat.TH
A CLT for empirical processes involving time-dependent data
对于随机过程$\{X_t:t\in E\}$，建立了基于$\{I_{X_t\le y}-\operatorname{Pr}(X_t\le y):t\in E,y\in\mathbb{R}\}$的经验过程在$t\in E,y\in\mathbb{R}$中一致满足CLT的充分条件.我们的主要结果的推论包括经典过程的CLT举行的例子，我们还表明，它失败的布朗运动束缚在零和$E=[0,1]$。
2013-03-15 math.PR math.ST stat.TH
Extremes of threshold-dependent Gaussian processes
在这方面的贡献，我们关注的渐近行为作为$u\to \infty$的$\mathbb{P}\{\sup_{t\in [0,T]} X_u(t)> u\}$，其中$X_u(t),t\in [0,T],u>0$是一个家庭的中心高斯过程的连续轨迹。我们的研究结果的一个关键应用涉及$\mathbb{P}\{\sup_{t\in [0,T]} (X(t)+ g(t))> u\}$作为$u\to\infty$，对于$X$一个中心高斯过程和$g$一些可测量的趋势函数。进一步的应用包括常利率下布朗运动风险模型的破产时间和破产概率的逼近。
2017-01-19 math.PR math.ST stat.TH
An Alternative Prior Process for Nonparametric Bayesian Clustering
先验分布在贝叶斯聚类方法中起着至关重要的作用。两种常用的先验分布是Dirichlet和Pitman-Yor过程。在本文中，我们研究了这些过程背后的预测概率，以及由此产生的分区的隐含“富-越来越富”特征。我们探讨了一种替代的非参数贝叶斯聚类的先验-统一的过程-应用程序中的“富-更富”的属性是不可取的。我们还探讨了这一过程的成本：分区不再是可交换的变量的顺序。我们提出了新的渐近和模拟为基础的结果的聚类特性的统一过程，并比较这些与已知的结果的Dirichlet和Pitman-Yor过程。我们比较了一个真正的文档聚类任务的性能，证明了统一的过程中，尽管它缺乏交换的订单的实际优势。
2010-10-15 math.ST stat.ME stat.TH
Concentration inequalities for high-dimensional linear processes with dependent innovations
本文为具有相依新息的高维向量线性过程建立了 $l_\infty$ 范数集中不等式，并应用于滞后自协方差矩阵界、大型 VAR(p) 系统稀疏估计及 HAC 高维协方差估计。
2024-10-17 math.ST stat.ME stat.ML
Deep learning for $ψ$-weakly dependent processes
CY Cergy Paris Université（巴黎塞吉大学）
在本文中，我们执行深度神经网络来学习$ψ$ -弱依赖过程。这种弱依赖性包括一类弱依赖性条件，如混合、关联、$\cdots$，并且这里考虑的设置覆盖了许多常用的情况，如：回归估计、时间序列预测、时间序列分类、$\cdots$建立了深度神经网络预测器类中的经验风险最小化算法的一致性。我们达到了泛化界，并获得了学习率，这是小于$\mathcal{O}(n^{-1/α})$，所有$α> 2 $。应用于二进制时间序列分类和预测的仿射因果模型与外生协变量进行。提供了一些模拟结果，以及美国经济衰退数据的应用。
2023-02-01 cs.LG math.ST stat.ML
Coupling and Maximal Inequalities for Graph-Dependent Empirical Processes
USC, Dept. of Economics（南加州大学经济学系）；UC Berkeley, Dept. of Economics（加州大学伯克利分校经济学系）
针对图依赖观测数据，提出一种结合图适应依赖系数与块分区着色的耦合构造，导出经验过程的极大不等式，并应用于网络自回归、非线性局部传播等模型。
2026-09-17 econ.EM math.PR math.ST
