Time-varying correlation network analysis of non-stationary multivariate time series with complex trends
本文提出了一个灵活的框架,从多变量或高维非平稳时间序列分段平滑趋势推断大规模时变和时滞相关网络。建立在一个新的和统一的多重测试程序的时滞互相关函数与一个固定或发散的滞后数,我们的方法可以准确地揭示灵活的时变网络结构与复杂的功能结构在所有的时间点。我们扩大了我们的方法的适用性,通过开发基于差分的互相关非参数估计的结构中断,实现准确的家庭明智的错误控制,通过自适应复杂的时间动态的引导辅助程序,并提高恢复的概率时变网络结构使用一个新的均匀方差减少技术。我们证明了所提出的方法的渐近有效性,并通过仿真研究和实证应用表明其有效性在有限样本。
2023-02-10 math.ST stat.ME stat.TH
Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series
本文扩展 dHSIC,提出适用于平稳与非平稳多元时间序列的基于核的联合独立性检验,并通过重采样在合成及真实数据中验证其高阶依赖发现能力。
2023-11-02 math.ST stat.AP stat.ME
Consistency and application of moving block bootstrap for non-stationary time series with periodic and almost periodic structure
本文的目的是建立具有周期和概周期结构的非平稳时间序列的滑动块自举一致性的充分条件。研究的参数是期望函数的平均值。一致性在相当一般的情况下成立:如果所有的联合分布的系列是周期性的,那么它足以假设中心极限定理和强混合性质,连同可求和的自协方差函数。在平均函数几乎是周期性的情况下,我们还需要根统计量的四阶矩的一致有界性。结果表明,这些理论结果可用于周期(PC)和几乎周期(APC)相关时间序列的傅里叶系数的统计推断。一个模拟的例子显示了如何使用一个图形诊断测试的显着频率和平稳性在这些类的时间序列。
2007-11-28 math.ST stat.TH
Testing for stationarity in multivariate locally stationary processes
在本文中,我们提出了一个非参数的程序来验证的假设平稳的多元局部平稳时间序列模型。我们开发了一个自举辅助测试的基础上Kolmogorov-Smirnov型统计量,跟踪的偏差随时间变化的谱密度从其最佳平稳近似。与迄今为止在文献中提出的所有其他非参数方法相比,检验统计量不依赖于任何正则化参数,如平滑带宽或窗口长度,这通常需要在数据分割中。我们还展示了如何我们的新程序可以用来识别组件的非平稳性发生,并表明这种创新的方法可能的扩展。最后,我们进行了广泛的模拟研究,它显示了有限样本的新方法的性质,并包含与现有方法的比较。
2013-12-05 math.ST stat.TH
Bootstrap methods for stationary functional time series
考虑了估计平稳函数时间序列长期协方差的Bootstrap方法。我们介绍了一种通用的引导方法,依赖于功能主成分分析,其中主成分得分可以引导最大熵。其他两个自助方法重新采样误差函数,依赖结构线性建模后,通过筛选方法或非线性的功能核回归。通过一系列的蒙特卡罗模拟,我们评估和比较了这三种Bootstrap方法估计函数时间序列的长期协方差的有限样本性能。使用在格拉茨的一天中的颗粒物(PM10)数据集,建议的自助方法提供了一种方法来构建功能时间序列的估计长期协方差的分布。
2016-10-03 stat.CO
Spectral analysis of multivariate stationary Hawkes processes
University of Otago(奥塔哥大学)
本文研究了平稳多变量Hawkes过程的频域推断渐近有效性,通过构建聚类表示的减少累积度量上界,证明了函数中心极限定理,并在平稳性条件下证明了Whittle估计量的一致性,适用于具有厚尾互激发核的Hawkes过程。
2026-04-11 math.ST stat.TH
Detecting deviations from second-order stationarity in locally stationary functional time series
提出了一种函数时间序列二阶平稳性假设的时域检验方法。该检验基于组合个体累积和检验,其设计分别对均值、方差和自协方差算子的变化敏感。其相关$p$值的组合依赖于个体检验统计量的联合相关块乘数自助法。条件下,建议的组合测试程序是渐近有效的平稳性。提出了一种自动选择自举构造所需的分组长度参数的方法。在Monte Carlo实验中研究了所提出的测试的有限样本行为,并提供了一个真实数据集上的说明。
2018-08-13 math.ST stat.ME stat.TH
On the range of validity of the autoregressive sieve bootstrap
我们探讨了自回归(AR)筛选引导的限制,并表明其适用性远远超出了线性时间序列的领域,如以前所认为的。特别是,对于适当的统计量,AR-筛分自助法对于具有关于白噪声的一般Wold型自回归表示的平稳过程是有效的;本质上,这包括所有平稳的、纯非确定性的过程,其谱密度处处为正。我们的主要定理提供了一个简单而有效的工具,在评估是否AR筛自助在任何给定的情况下是渐近有效的。实际上,所讨论的统计量的大样本分布必须仅取决于过程的一阶和二阶矩;突出的例子包括样本均值和谱密度。作为一个反例,我们展示了AR-筛分自助法对于样本自协方差并不总是有效的,即使底层过程是线性的。
2012-01-30 math.ST stat.TH
Periodically stationary multivariate autoregressive models
提出了一类多元周期自回归模型,其中时间序列之间的耦合是通过线性均值函数实现的。具有二次均值-方差关系的各种响应分布适合于该框架,包括负二项分布、伽马分布和高斯分布。我们开发了一个迭代算法,以获得无条件的平均值,方差和自/互协方差的高阶滞后模型。给出了具有滞后1的单变量模型和具有线性均值-方差关系的多变量模型的解析解。模型类的一个特例是建立了一个框架,用于对传染病常规监测中的计数的多变量时间序列进行建模。我们扩展了这个模型类,允许分布式滞后,并将其应用于在德国两个州的诺如病毒胃肠炎的数据集。无条件矩和自相关/互相关的可用性增强了模型评估和解释。
2017-12-15 stat.ME
Model Specification Test for Stationary Functional Time Series
Illinois State University(伊利诺伊州立大学);Ruhr-University Bochum(波鸿鲁尔大学);Zhejiang University(浙江大学)
本文提出一个基于自回归近似和加权L2距离的通用框架,用于平稳函数型时间序列的模型设定检验,涵盖阶数检验、ARMA设定检验和可分离性检验,并证明了渐近有效性。
2026-09-24 math.ST stat.ME stat.TH
A Portmanteau-type test for detecting serial correlation in locally stationary functional time series
Portmanteau检验提供了经典单变量时间序列分析中检测序列相关性的基本方法。该方法被扩展到从局部平稳的功能时间序列的意见的情况下。渐近临界值得到一个合适的块乘子自举过程。检验结果表明,渐近保持其水平,并对一般的替代品是一致的。
2020-09-15 math.ST stat.ME stat.TH
Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic
本研究提出多元概率时间序列预测的非参数框架CRAFT,通过构建轨迹轮廓、学习状态标签等方法保留依赖关系,经模拟基准验证其预测性能优于多种对比方法。
2026-08-11 stat.ME
Conditionally specified graphical modeling of stationary multivariate time series
针对非高斯或混合型多元时间序列,本文提出CEStGM,用指数族条件分布和交互核编码过程级条件独立性,并建立Markov性质、几何混合性及近似Gibbs采样方法。
2025-08-28 math.ST stat.TH
New HSIC-based tests for independence between two stationary multivariate time series
本文提出了一些新的单侧综合检验两个多元平稳时间序列之间的独立性。这些新的测试应用希尔伯特-施密特独立性准则(HSIC)来测试两个时间序列的新息之间的独立性。在正则条件下,我们的HSIC为基础的测试的极限零分布的建立。接下来,我们基于HSIC的测试显示出一致性。此外,残差自助法是用来获得我们的HSIC为基础的测试的临界值,其有效性是合理的。与现有的基于互相关的线性相关性检验相比,我们的检验考察了一般(包括线性和非线性)的相关性,为研究者提供了关于两个多变量时间序列之间因果关系的更完整的信息。一些模拟结果和一个实际例子说明了我们的测试的优点。
2018-04-26 econ.EM stat.ME
Confidence surfaces for the mean of locally stationary functional time series
本文针对局部平稳函数型时间序列均值函数的同时置信曲面构造问题,提出一种基于稀疏高维向量高斯逼近的新型分块乘子自助法,并通过理论证明、模拟研究和实际数据分析验证了方法的有效性与适用性。
2024-11-26 math.ST stat.TH
The autoregression bootstrap for kernel estimates of smooth nonlinear functional time series
函数时间序列已成为函数数据和时间序列分析的一个组成部分。本文研究了一阶泛函自回归模型和光滑函数的自回归自助法。在Ferraty和Vieu [2004]和Ferraty等人[2007]开发的框架中估计回归算子,该框架在这里扩展到双函数情况下,假设可以追溯到Laib和Louani [2010]的平稳遍历数据。本文的主要结果是自举回归算子的渐近相合性的刻画。
2018-11-15 math.ST stat.TH
ANOVA for High-dimensional Non-stationary Time Series
本文针对高维非平稳时间序列,提出考虑时间依赖性的方差分析检验统计量,并开发自助法算法进行假设检验,同时建立了相关理论结果并验证了有限样本性能。
2025-09-11 math.ST stat.TH
Missing data in non-stationary multivariate time series from digital studies in Psychiatry
针对精神病学数字研究中非平稳多变量时间序列的缺失数据难题,提出MCEM-SSM算法,经多场景模拟验证优势后应用于精神疾病患者研究,探究数字社交与消极情绪的关联。
2025-06-17 stat.ME
State space model multiple imputation for missing data in non-stationary multivariate time series with application in digital Psychiatry
针对非平稳多元时间序列缺失数据问题,提出基于状态空间模型的多重插补方法SSMmp及其高效变体SSMimpute,通过理论与模拟验证其优势,并应用于双相情感障碍患者智能手机数据中社交网络规模与负面情绪关联的研究。
2023-04-13 stat.ME
Mixing properties for multivariate Hawkes processes
本文提供了将平稳线性Hawkes过程的强混合性质证明扩展到多元情形的技术论证,并通过建立泛函中心极限定理加以说明。
2023-11-20 math.ST stat.TH
A Note on Bootstrapping M-estimates from Unstable AR(2) Process with Infinite Variance Innovations
在具有重尾误差的非平稳自回归模型中,M-估计的极限分布在计算上是困难的。为了根据M-估计值进行推断,可以使用Bootstrap程序来近似抽样分布。本文证明了当$m/n \to 0$在多单位根时间序列中近似有效时,$m=o(n)$的Bootstrap方案在指数为$0<α\leq2$的稳定律吸引区域中是有效的.
2016-03-08 math.ST stat.AP stat.TH
Stationary vine copula models for multivariate time series
多元时间序列表现出两种类型的相关性:跨变量和跨时间点。藤连接函数是依赖关系的图形模型,可以方便地在同一个模型中捕获两种类型的依赖关系。我们得到的最大类的图结构,保证平稳性下的一个自然的和可验证的条件称为平移不变性。我们提出了计算效率的方法估计,模拟,预测和不确定性量化,并通过渐近结果和模拟显示其有效性。理论结果允许错误指定的模型,甚至当专门的iid的情况下,超出了什么是在文献中。他们的证明是基于一般半参数矩估计法的新结果,这将是独立的利益。新的模型类说明了一个应用程序,预测回报的投资组合的20只股票,在那里他们表现出出色的预测性能。该文件是伴随着一个开放源代码的软件实现。
2022-03-14 stat.ME
Multivariate Max-Stable Processes and Homogeneous Functionals
多变量最大稳定过程对于理论研究和各种统计应用都很重要,因为这些过程是极限过程,例如平稳多变量规则变化的时间序列,[1]。本文研究了齐次泛函与多元极大稳定过程之间的关系,讨论了多元极大稳定过程与zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-zero-我们说明我们的结果考虑布朗-Resnick和史密斯过程。
2021-02-12 math.PR math.ST stat.TH
Bootstrapping Generalization Error Bounds for Time Series
我们考虑的问题,发现置信区间的风险预测的平稳,遍历随机过程,使用一个模型估计的过程的过去。我们表明,自举过程提供了有效的置信区间的风险,当数据源是充分混合,和损失函数和估计是适当的光滑。自回归(AR(d))模型估计的最小二乘服从必要的规律性条件,即使在错误的指定,和模拟表明,有限样本覆盖我们的边界迅速收敛到理论,渐近水平。作为一个中间步骤,我们推导出经验分布函数之间的渐近独立性的充分条件,形成分裂实现的随机过程,独立的利益。
2017-11-29 math.ST stat.TH
EstimatedWold Representation and Spectral Density-Driven Bootstrap for Time Series
用著名的Wold表示的系数描述了纯非确定平稳过程的二阶相关结构。这些系数可以通过因式分解过程的谱密度来获得。这种关系与一些谱密度估计一起使用,以获得这些系数的一致估计。然后,开发了用于时间序列的谱密度驱动的自举,其使用估计的MA系数的整个序列连同适当生成的伪创新,以便获得自举伪时间序列。结果表明,如果潜在的过程是线性的,如果伪新息是由i.i.d. Wild bootstrap在必要程度上模仿了真实新息的矩结构,这种bootstrap建议渐近适用于广泛的统计量。讨论了该方法与自回归筛选引导法等其他引导方法的关系。它表明,后者是一个特殊的情况下,谱密度驱动的自举,如果使用参数自回归谱密度估计。仿真研究了有限样本情况下的新的自助程序的性能。此外,给出了一个真实的数据示例。
2017-12-20 math.ST stat.TH
Nuisance Parameters Free Changepoint Detection in Non-stationary Series
检测时间序列的平均值的突变,即所谓的变点,对于许多应用是重要的。然而,许多程序依赖于冗余参数(如长期方差)的估计。在另一种情况下(平均值的变化),估计器可能会有偏差,并且用于选择调优参数的数据自适应规则可能不会像预期的那样工作。如果数据不是平稳的,而是异方差的,这就变得更具挑战性。本文的目的是提出和调查两个变点测试,这既不涉及滋扰,也不调整参数。这是通过结合自规范化和野生自举来实现的。我们研究的渐近行为,并显示自举的一致性的假设下,以及根据替代,假设温和的条件下的弱依赖的时间序列,并允许方差随时间变化。作为所提出的测试的副产品,一个变点估计,并证明其一致性。结果表明,通过模拟研究,这表明计算效率的开发方法。新的测试也将应用于金融和水文的真实数据示例。
2018-08-13 math.ST stat.TH
Pseudo-spectra of multivariate inhomogeneous spatial point processes
Institute of Statistical Science, Academia Sinica(中央研究院统计科学研究所);School of Mathematics, Statistics and Data Science, Sungshin Women’s University(成均馆大学数学、统计与数据科学学院)
本文研究多元非齐次空间点过程的谱分析,利用周期图期望的渐近极限定义伪谱,并给出核平滑一致估计与两种带宽选择方法。
2025-10-21 stat.ME
Modeling Spectral Properties in Stationary Processes of Varying Dimensions with Applications to Brain Local Field Potential Signals
分析多变量时间序列(平稳和非平稳)的一种常见方法是将观测序列分解为潜在源。诸如主成分分析(PCA)、独立成分分析(ICA)和平稳子空间分析(SSA)的方法假设所观测的多变量过程由平稳或非平稳的潜在源产生。我们开发了一种方法,跟踪32通道局部场电位(LFP)信号的复杂性变化,从大鼠实验诱导中风。我们通过潜在来源及其维度来研究复杂性,由于对皮质系统的诱导冲击,这些来源及其维度可能会在不同时期发生变化。我们的方法比较了几个不同维度的多变量平稳过程的光谱信息的传播。提出了一种频率特异谱比(FS比)统计量,并推导了它的渐近性质。FS比对平稳过程的维度是盲的,并且捕获各种(用户指定的)频带中的频谱信息的比例。我们应用我们的方法来研究系统冲击前后LFP的复杂性和结构的差异。分析表明,β频带(12-30赫兹)中的频谱信息显示出中风导致的结构和复杂性的最大变化。
2019-11-29 stat.ME
FDP control in multivariate linear models using the bootstrap
本研究针对多元线性模型中多对比的错误发现比例事后推断问题,结合自助法与现有事后推断界,通过林德伯格中心极限定理证明相合性,实现FDP同时渐近控制,功效优于现有参数方法,并在影像与转录组数据上验证有效。
2022-09-20 math.ST stat.ME stat.TH
Inference on the tail process with application to financial time series modelling
为了推断重尾马尔可夫链中的序列极值依赖性,Drees,Segers和Warchoirs [Extremes(2015)18,369- 402]提出了谱尾过程的非参数估计。该方法可以扩展到更一般的设置一个固定的,定期变化的时间序列。利用聚类泛函的经验过程理论,得到了估计量的大样本分布。通过蒙特卡罗模拟评估这些估计的有限样本性能。此外,两个不同的引导计划,产生置信区间的前渐近谱尾过程:平稳引导和乘子块引导。将该估计应用于股票价格数据,研究了正负冲击的持续性。
2018-01-29 stat.ME
Multivariate Representations of Univariate Marked Hawkes Processes
University of Otago(奥塔哥大学)
本文探讨了单变量标记Hawkes过程与多变量Hawkes过程之间的联系,提出多变量无标记表示用于参数化单变量标记过程,并展示了其在不同数据上的灵活推断能力。
2024-07-04 stat.ME
Autoregressive Models for Variance Matrices: Stationary Inverse Wishart Processes
我们介绍和探索一类新的平稳时间序列模型的方差矩阵的基础上建设性的定义,利用逆Wishart分布理论。探索的模型的主要类别是一类新的平稳,一阶自回归(AR)过程的锥半正定矩阵。多变量“波动”过程的理论和这些新模型的结构方面进行了详细描述和举例说明。然后,我们通过基于贝叶斯模拟的计算开发模型拟合方法,创建一个依赖于高效创新采样器的自定义过滤方法。然后提供了一个例子,在分析的多变量脑电图(EEG)时间序列在神经学研究。最后,我们讨论了高阶AR模型的潜在进一步发展以及与先前方法的一些联系。
2011-07-26 stat.ME
On the number of signals in multivariate time series
我们假设一个二阶源分离模型,其中所观察到的多元时间序列是一个潜在的,时间上不相关的时间序列与一些成分纯白噪声的线性混合物。为了避免噪声的建模,我们使用一些标准的方法提取非噪声潜在成分,允许单独建模提取的单变量时间序列。一个重要的问题是确定哪些潜在成分在建模中是感兴趣的,哪些可以被认为是噪声。基于Bootstrap的方法最近已被用于确定潜在的尺寸在各种方法的无监督和监督的降维,我们提出了一套类似的估计策略,二阶平稳时间序列。仿真研究和一个声波的例子来说明该方法的有效性。
2018-01-14 stat.ME
Anomaly Detection in Multivariate Non-stationary Time Series for Automatic DBMS Diagnosis
Pohang University of Science and Technology(浦项科技大学)
随着大数据系统中统计量和事件度量的不断增加,数据库管理系统中的异常检测变得越来越困难。在本文中,我提出了一个自动DBMS诊断系统,检测异常期间与异常DB统计指标,并发现因果事件的期间。利用深度编码器的重构误差和统计过程控制方法检测异常时间段。使用事件和异常统计度量之间的时间序列相似性度量来发现相关事件。在使用DBMS度量数据训练深度自动编码器之后,从包含异常的其他DBMS研究异常检测的功效。实验结果表明了该模型的有效性,尤其是批量时间归一化层。提出的模型用于发布自动DBMS诊断报告,以确定DBMS配置和SQL调优。
2017-10-09 cs.LG stat.AP stat.ML
Bias Correction of Long-memory Estimator of Functional Time Series via the Prefiltered Sieve Bootstrap
Macquarie University(麦考瑞大学)
该研究针对函数型时间序列长记忆参数估计的偏差问题,提出基于预筛选筛自助法的校正程序,采用LPWN估计量作为初始估计,经模拟验证其能有效降低偏差并可提供参数置信区间。
2026-07-31 stat.ME
The Cepstral Model for Multivariate Time Series: The Vector Exponential Model
向量自回归(VAR)模型已成为多元时间序列分析中的主要模型,并在时域中表示为差分方程,具有隐含的协方差结构。在许多情况下,期望使用稳定的或至少静止的表示。为了拟合这样的模型,必须对系数矩阵施加限制,以确保某些行列式非零;除了特殊情况外,这可能会很麻烦。为了规避这些困难,我们提出了一个灵活的频域模型表示的谱密度矩阵。具体地说,本文讨论了协方差平稳向量值(即,多变量)时间序列,通过扩展标量时间序列的频谱的指数模型。我们讨论了向量指数模型的建模优势及其计算方面,如如何获得Wold系数从给定的倒谱系数。最后,我们通过模拟以及两个说明性的数据例子集中在多步预测和估计平方相干证明了我们的方法的实用性。
2014-06-03 stat.ME
Pair circulas modelling for multivariate circular time series
本文研究多元圆时间序列建模,提出通过圆连接函数描述横截面与序列依赖性,将多元圆连接函数密度分解为配对圆连接函数密度乘积,并结合严格平稳多阶马尔可夫过程减少参数,最后通过风向数据验证了模型有效性。
2023-11-22 stat.ME
Multitaper Analysis of Evolutionary Spectra from Multivariate Spiking Observations
提取尖峰活动背后的神经过程的频谱表示是理解大脑节律如何介导认知功能的关键。虽然连续时间序列的谱估计已经得到了很好的研究,但基于尖峰观测值推断潜在非平稳过程的谱表示是一个具有挑战性的问题。在本文中,我们解决这个问题,通过开发一个多锥度谱估计方法,可以直接应用于多变量尖峰观测,以提取潜在的非平稳过程,驱动尖峰活动的进化谱密度,基于点过程理论。我们建立了理论界的偏差方差权衡建议的估计。最后,我们比较了我们提出的技术与现有的方法,使用模拟研究和应用程序的实际数据,这揭示了显着的收益的偏差方差权衡的性能。
2019-06-22 cs.IT cs.SY eess.SY
SAMoSSA: Multivariate Singular Spectrum Analysis with Stochastic Autoregressive Noise
MIT(麻省理工学院)
本文提出两阶段算法SAMoSSA,结合多变量奇异谱分析(mSSA)与自回归(AR)噪声建模,解决了同时学习确定性与平稳成分的理论空白,并在多个基准数据集上实现5%至37%的预测性能提升。
2023-11-27 cs.LG cs.SY eess.SY
An Efficient ADMM Algorithm for Structural Break Detection in Multivariate Time Series
提出了一种有效的交替方向乘子法(ADMM)算法,用于分割具有结构突变的多元非平稳时间序列。我们从最近的工作中得出的一系列假设遵循段内的向量自回归模型和凸估计过程可以制定使用组融合套索处罚。我们的ADMM方法首先将凸问题分解为一个全局二次规划和一个简单的组套索邻近更新。我们表明,全球性的问题可以并行化的时间相关的转移矩阵的行,而且每个子问题可以重写的形式相同的高斯状态空间模型的对数似然。因此,我们开发了一个卡尔曼平滑算法来解决在时间上的线性序列的长度的全局更新。
2018-06-25 stat.ML
Non-Parametric Simulation of Multivariate Extreme Events via Spectral Bootstrap
Université Paris Cité(巴黎西岱大学);CNRS(法国国家科学研究中心);Univ Brest(布雷斯特大学);Sorbonne Université(索邦大学);Université Claude Bernard Lyon 1(里昂第一大学)
本文提出一种非参数模拟方法,通过多变量广义极值分布的频谱表示,生成额外的极值数据以提升极值推断的可靠性,适用于高维极值场景的风险评估。
2026-04-10 stat.ME
Perfect Sampling of Multivariate Hawkes Process
作为自激Hawkes过程的推广,多元Hawkes过程模拟了不同类型的相互激励的随机事件的计数过程。在本文中,我们提出了一个完美的采样算法,可以产生i.i.d.无瞬时偏差多变量Hawkes过程平稳样本路径。此外,我们提供了一个明确的表达模型和算法参数的算法复杂性,并提供数值方案,以找到最佳的参数集,最大限度地减少完美的采样算法的复杂性。
2020-11-11 math.PR stat.AP
The Wild Bootstrap for Multivariate Nelson-Aalen Estimators
我们严格地扩展了广泛使用的野生bootstrap恢复技术的多变量Nelson-Aalen估计Aalen的乘法强度模型。Aalen的模型涵盖了一般的马尔可夫多状态模型,包括独立左截断和右删失的竞争风险。这导致了各种统计应用,如渐近有效的置信带或等效性和比例风险的测试。这在检查通气对重症监护室停留时间的影响的数据分析中举例说明。有限样本性质的新程序进行了研究,在模拟研究。
2017-02-03 stat.ME
Parametric Bootstrap Confidence Intervals for the Multivariate Fay-Herriot Model
多变量Fay-Herriot模型在通过相关变量的小区域调查估计值或相同变量的历史调查估计值或两者之间的相关性来组合信息方面非常有效。虽然小面积估计的文献已经非常丰富,从多元模型的二阶有效置信区间的建设迄今为止很少受到关注。在本文中,我们发展了一个参数bootstrap方法,用于构造一个二阶有效的置信区间的一般线性组合的小面积均值使用多元Fay-Herriot正常模型。提出的参数自助法取代了困难和繁琐的解析推导的高效算法和高速计算机的力量。此外,该方法比解析方法更通用,因为参数自助法可以很容易地应用于任何模型参数估计方法和多元Fay-Herriot模型的方差-协方差阵的任何特定结构,避免了解析方法所需的所有繁琐和耗时的计算。我们应用我们提出的方法在构建置信区间的四口之家的收入中位数为美国的50个州和哥伦比亚特区。我们的数据分析表明,所提出的参数bootstrap方法通常提供更短的置信区间相比,相应的传统的直接方法。此外,从多变量模型得到的置信区间一般比相应的单变量模型短,这表明利用四人家庭的中位数收入与三人和五人家庭的中位数收入的相关性的潜在优势。
2020-06-26 stat.ME
Confidence Corridors for Multivariate Generalized Quantile Regression
研究了多元非参数广义分位数回归函数的置信走廊构造问题。这种结构是基于一个合适的非参数估计和真正的功能感兴趣的一系列的近似步骤,包括Bahadur表示,一个新的强逼近定理和指数尾不等式高斯随机场之间的最大偏差的渐近结果。作为一个副产品,我们还获得了经典均值回归中的回归函数的置信走廊。针对渐近置信走廊覆盖概率误差缓慢减小导致小样本量覆盖率过低的问题,基于Bahadur表示的首项设计了一个简单的Bootstrap过程.这两个程序的有限样本性质进行了研究,通过模拟研究,它表明,自举程序大大优于渐近带的覆盖精度。最后,自助信任走廊被用来研究国家支持工作示范,这是一个随机的就业促进计划在20世纪70年代推出的有效性。本文有补充材料。
2015-02-02 math.ST stat.ME stat.TH
Bootstrapping Estimators based on the Block Maxima Method
针对滑动分块极大值估计量渐近方差难估计的问题,提出基于循环分块极大值重采样的一致性自助法,证明经典不相交分块极大值重采样自助法的一致性及两类估计量渐近方差等价性,通过实验和案例验证方法有效性。
2025-03-25 math.ST stat.ME stat.TH
A dependent multiplier bootstrap for the sequential empirical copula process under strong mixing
对多变量观测值的Copula进行推断的两个关键因素是经验Copula过程和对后者的适当恢复方案。在用于i.i.d.观察,Rémillard和Scaillet(J. Multivariate Anal. 100(2009)377-386)经常出现导致具有最佳有限样本性质的推理程序。Bücher和Ruppert(J. Multivariate Anal. 116(2013)208-229)最近提出了通过将Bühlmann的依赖乘子自举(时间序列和经验过程中的块自举(1993)ETH Zürich,第3.3节)适应于经验copula过程,将该技术扩展到严格平稳的强混合观测。这项工作的主要贡献是一个推广的乘子reserve计划提出的Bücher和Ruppert沿两个方向。首先,resception计划现在是真正的顺序,从而允许转置到强混合设置许多现有的乘数测试未知的copula,包括非参数测试的变点检测。第二,resception方案现在是全自动的,因为提出了可用于估计带宽参数的数据自适应过程。仿真研究是用来调查有限样本性能的reserve计划,并提供建议,如何选择几个额外的参数。作为本文工作的副产品,在较弱的强混合系数和乘子条件下,得到了Bühlmann经验过程的相依乘子自助序列的有效性,并在许多序列相依条件下建立了序列经验copula过程的弱收敛性.
2016-02-09 math.ST stat.ME stat.TH
Volterra bootstrap: Resampling higher-order statistics for strictly stationary univariate time series
我们关注的是时间序列泛函的非参数假设检验。众所周知,流行的自回归筛选自助法,在一般情况下,是无效的统计数据的(渐近)分布取决于阶数高于2的时刻,无论数据是否来自线性时间序列或非线性。受非线性系统理论的启发,我们通过引入基于Volterra级数表示的过程的高阶自举方案来规避这种非有效性。为了有效地估计这种表示的系数,我们依赖于再生核希尔伯特空间中的Volterra算子的替代公式。我们执行多项式核回归,它与输入维度呈线性关系,与非线性程度无关。我们说明了建议的Volterra表示为基础的自举程序在模拟研究中,我们认为严格平稳的线性和非线性过程的适用性。
2020-10-20 stat.ME
A Frequency Domain Bootstrap for General Stationary Processes
用于自举时间序列的现有频域方法具有有限的范围。例如,考虑谱平均统计量(也称为积分周期图),它包括时间序列分析中的许多重要统计量,例如样本自协方差和自相关等。本质上,这样的频域自举过程覆盖具有独立新息的线性时间序列的情况,并且一些甚至要求时间序列是高斯的。在本文中,我们提出了一个新的,频域自举方法,这是一致的更广泛的平稳过程,并可以应用于一个大类的周期图为基础的统计。它引入了一个新的概念,卷积周期图的较小的样本,它使用伪周期图的子样本的方式,正确地模仿弱依赖结构的周期图。%新的引导程序%校正了现有程序无法模仿的光谱平均值分布的那些方面。我们表现出一致性,这一过程的一般类的平稳时间序列,范围明显超出线性过程,一般的频谱手段和比率统计。此外,对于谱平均值的类,我们还展示了如何使用这种新方法,现有的自举方法,适当地复制只占主导地位的部分的分布的兴趣,可以得到纠正。新的引导程序的有限样本性能示出通过模拟。
2018-06-18 stat.ME
Confidence Interval Construction for Multivariate time series using Long Short Term Memory Network
IIT Guwahati(印度理工学院古瓦哈蒂分校)
在本文中,我们提出了一个新的程序来构建一个置信区间的多元时间序列预测使用长短期记忆网络。该构造使用了一些新颖的块自举技术。我们还提出了一个创新的块长度选择程序,这些计划。两个新的基准帮助我们比较不同的自举技术的置信区间的建设。我们通过S\&P $500$和道琼斯指数数据集说明了整个结构。
2022-11-25 cs.LG q-fin.CP stat.CO
Incompletely observed nonparametric factorial designs with repeated measurements: A wild bootstrap approach
针对含缺失值、有序分类数据的多变量重复测量因子设计,提出结合野自助法与二次型检验统计量的非参数方法,证明了其渐近正确性并在小样本及真实数据中验证了适用性。
2023-05-23 stat.ME
Bootstrapping Empirical Processes of Cluster Functionals with Application to Extremograms
在时间序列的极值分析中,不仅尾部行为是人们感兴趣的,而且序列相关性也起着至关重要的作用。Drees和Rootzén(2010)建立了一般经验过程的极限定理,这些经验过程被称为簇泛函,可以用来分析混合时间序列的极值行为的各个方面。然而,通常极限分布太复杂而不能直接构造置信区域。因此,我们建议一个乘数块自助模拟集群泛函的经验过程。结果表明,在与Drees和Rootzén(2010)所使用的几乎相同的条件下,有条件地对数据,自助过程收敛到相同的极限分布。这些一般结果被应用于构建Davis和Mikosch(2009)引入的经验极值的置信区域。在模拟研究中,我们的乘子块引导方法构造的置信区间与Davis等人提出的平稳引导方法相比毫不逊色。(2012年)。
2015-11-02 math.ST stat.ME stat.TH
Spectral Subsampling MCMC for Stationary Multivariate Time Series with Applications to Vector ARTFIMA Processes
谱子采样MCMC是近年来提出的一种通过在频域对周期图进行子采样来加速长平稳单变量时间序列的马尔可夫链蒙特卡罗(MCMC)的方法。本文扩展的方法,多变量时间序列使用多变量广义的惠特尔可能性。为了评估具有挑战性的问题,从频谱子采样的计算增益,多变量广义的自回归回火分数积分移动平均模型(ARTFIMA)的介绍和它的一些属性。贝叶斯推断的基础上的Whittle可能性被证明是一个快速和准确的替代精确的时域可能性。频谱子采样提供了两个数量级的额外的速度,同时保留MCMC抽样效率和精度,相比,频谱方法使用完整的数据集。关键词:贝叶斯,马尔可夫链蒙特卡罗,半长记忆,谱分析,惠特尔似然。
2022-09-18 stat.CO stat.ME
Calibration for multivariate Lévy-driven Ornstein-Uhlenbeck processes with applications to weak subordination
考虑一个多变量Lévy驱动的Ornstein-Uhlenbeck过程,其中平稳分布或背景驱动Lévy过程来自一个参数族。我们推导出似然函数假设的新息项是绝对连续的。详细研究了两个例子:平稳分布或背景驱动Lévy过程的过程是由弱方差α-伽马过程给出的,这是使用弱从属创建的方差伽马过程的多变量概括。在前一种情况下,我们给出了一个明确的表示的背景驱动Lévy过程,导致一个创新的长期,这是离散和连续的混合物,允许的过程的精确模拟,和一个单独的似然函数。在后一种情况下,我们证明了新息项是绝对连续的。仿真研究的结果表明,最大似然数值计算使用傅立叶逆可以应用于准确地估计参数在这两种情况下。
2021-08-31 math.PR math.ST stat.ME