Testing serial independence of object-valued time series
对象值时间序列的序列独立性检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列的滞后依赖、广义谱密度与序列独立性检验。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
对象值时间序列的序列独立性检验
- 研究问题
- 当时间序列取值于一般度量空间时，如何非参数地检测各滞后的非线性成对依赖，并为检验统计量确定临界值？
- 方法与思路
- 作者将度量空间距离协方差扩展为自距离协方差，构造广义谱密度与 Cramér–von Mises 型统计量，并采用野生自助法。
- 材料陈述的贡献
- 摘要称方法无需调参、可捕捉非线性成对依赖，建立了统计量的渐近性质，并用模拟、日内收益和死亡率数据说明表现。
- 阅读关注点
- 应核对度量空间条件、成对依赖与完整序列独立性的关系、滞后汇总方式，以及非枢轴极限下自助临界值的有效性。
- 阅读边界
- 所给 Crossref 摘要未列出度量与过程条件；检出成对依赖的能力不能直接等同于识别全部高阶序列依赖。
原文摘要
Summary We propose a novel method for testing serial independence of object-valued time series in metric spaces, which are more general than Euclidean or Hilbert spaces. The proposed method is fully nonparametric, free of tuning parameters and can capture all nonlinear pairwise dependence. The key concept used in this paper is the distance covariance in metric spaces, which is extended to the autodistance covariance for object-valued time series. Furthermore, we propose a generalized spectral density function to account for pairwise dependence at all lags and construct a Cramér–von Mises-type test statistic. New theoretical arguments are developed to establish the asymptotic behaviour of the test statistic. A wild bootstrap is also introduced to obtain the critical values of the nonpivotal limiting null distribution. Extensive numerical simulations and two real data applications on cumulative intraday returns and human mortality data are conducted to illustrate the effectiveness and versatility of our proposed test.