Time Series Discrimination by Higher Order Crossings
利用高阶过轴次数辨别时间序列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：摘要明确研究平稳时间序列的模型辨别、差分及拟合优度检验。
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
利用高阶过轴次数辨别时间序列
- 研究问题
- 如何利用平稳时间序列及其高阶差分的符号变化辨别不同模型，并处理差分阶数增大后符号信息的退化？
- 方法与思路
- 作者将各阶差分保留符号转换为二元序列，用前若干阶差分的过轴次数构造二次型拟合优度统计量。
- 材料陈述的贡献
- 摘要称，模拟与退化分析支持许多过程使用不超过十阶差分；九阶设置下的模拟尾概率提示可采用伽马近似。
- 阅读关注点
- 应核对符号与过轴次数的定义、二次型的权重、阶数选择依据，以及伽马尾部近似在哪些过程和样本量下成立。
- 阅读边界
- 仅据版本未注明的索引摘要；伽马近似来自模拟提示，摘要未给出普遍误差界，也未说明对非平稳序列的适用性。
原文摘要
A new methodology is proposed for discrimination among stationary time-series. The time series are transformed into binary arrays by clipping (retaining only the signs of) the $j$th difference series, $j = 0, 1, 2, \cdots$. The degeneracy of clipped $j$th differences is studied as $j$ becomes large. A new goodness of fit statistic is defined as a quadratic form in the counts of axis-crossings by each of the first $k$ differences of the series. Simulations and the degeneracy of high-order differences justify fixing $k$ no larger than 10 for many processes. Empirical simulated distributions (with $k = 9$) of the goodness of fit statistic suggest a gamma approximation for its tail probabilities. Illustrations are given of discrimination between simple models with the new statistic.